大语言模型 回答的综合评估：多因素评分系统

大语言模型（LLM）在语言任务中的出色表现凸显了对其响应质量进行综合评估的迫切需要。流行的方法通常仅限于单一维度，无法捕获模型功能的全部范围。本研究引入了多因素评分范式，集成了准确性、简洁性、事实一致性、可读性和连贯性，并辅以用于可视化结果的图形用户界面 (GUI)。对 TruthfulQA 数据集的评估揭示了主流 LLM 在推理任务中的优势（综合得分最高为 0.6104），以及在处理复杂事实和模糊性方面普遍存在的局限性。该框架超越了传统指标的狭隘视角，提供了一种透明、适应性强的途径来阐明模型的潜力和缺陷。尽管目前专注于英语任务，但其视野正在向多语言领域迈进。这项工作为知识工程和模型细化开辟了一条新颖的道路。