MT-Bench 对话评测 MT-Bench

由 LMSYS 提出的多轮对话评测基准，关注模型在开放式问答和对话任务中的综合表现。

分类：safety 类型：concept 别名：MT-Bench

MT-Bench 通过一组多轮对话问题，覆盖编码、数学、推理、知识问答等多个维度，并通常使用更强的模型（如 GPT-4）作为「评审」对候选回答进行打分。它与 LMSYS Arena 等人类偏好评测一起，构成了当前对话型大模型评估的重要参考。

与传统单轮问答基准相比，MT-Bench 更接近真实使用场景，有助于发现模型在对话连贯性、指令遵循与安全性方面的问题。

打开 GitHub 界面，修改后直接生成 PR