为什么重要
教育是 LLM 最大的应用场景之一，但缺乏系统化评测。EduBench 首次将教育应用拆解为出题、批改、知识诊断、辅导对话等多个维度，评测 LLM 作为教育工具的综合能力。
构建方式
- 定义教育场景分类体系
- 收集各学科真实教育任务
- 邀请教育专家评审
任务示例
出题：给定一段物理知识点，生成一道难度适中的应用题。 批改：给定学生的数学解题过程，找出错误并给出反馈。
关键发现
- LLM 在出题和批改上表现较好
- 在个性化辅导和知识诊断上仍有不足
- 学科差异大（数学好于文科）
关联基准
- Gaokao-Bench：高考题
- MMLU：综合知识
- MDK12-Bench：K-12 教育
不足与展望
- 主要覆盖中国教育体系
- 辅导对话的评测标准不够成熟
- 但方向重要，潜力大