针对大语言模型初高中科学理解能力的评测基准

研究人员构建了符合 NGSS 标准的大语言模型评测基准，并系统测试了 9 款开源权重模型在初高中科学领域的表现。评估结果显示，数款可本地部署的小型模型在各学科题型中均取得了高准确率，且模型规模与其性能表现并不完全一致。人工复核同时指出合成题目未完全贴合课程标准，凸显了教育场景下引入人机协同的必要性。