本文重新评估MoReBench数据集,发现让LLM生成评分标准而非回答开放性问题时,LLM生成的评分标准与人类标准一致率达83-89%,且包含2.26倍以上的独特道德相关考虑,表明LLM在道德推理上比此前认为的更为出色。
机构:人大
来源:arXiv 2606.11635 | AI4Papers 论文推荐平台