本文系统梳理了大模型在医疗、金融、法律、多模态及Agent五大关键应用场景的评估方法。通过深度解析24个代表性benchmark，揭示了不同场景下的核心评估任务与指标体系，为理解和应用大模型提供了清晰、可量化的评测框架，极具参考价值。
智能速览
医疗评估从客观选择题走向临床解释与推理生成。
金融评估体系覆盖信息提取、逻辑推理乃至交易决策。
法律评估注重法律推理能力与RAG系统的精准检索。
多模态评估挑战在于图像理解和跨模态Chain-of-Thought推理。
Agent评估聚焦于工具使用和开放式环境下的决策能力。
精华内容
深入到具体场景，可以发现评估体系的设计紧密贴合行业痛点。从医疗的事实性到金融的风险控制，评估的维度和任务正变得越来越精细和实用化。
医疗问答评估
医疗场景的评估已超越简单的选择题。早期基准如MedMCQA和CMExam主要采用多选题形式，以准确率作为核心指标，侧重医学知识的记忆。但像MultiMedQA和MedBench这样的新基准引入了长篇回答和真实临床病例问答，转向对事实性、完整性及有用性等维度的人工评估。更前沿的MedExQA和CliMedBench则开始聚焦于医学解释生成和复杂临床推理，而MedAgentsBench更是将推理成本和时间纳入考量，推动评估向实际诊疗场景靠拢。
金融问答评估
金融领域的评估维度极为广泛。以FinanceBench为例，它专注于贴近分析师工作的开放式问答，评估逻辑与数值推理能力。FinBen则构建了包含36个数据集的全面评估体系，覆盖了从信息提取到股票交易决策的全流程。SECQUE和TableBench进一步挑战模型的长文本理解和表格推理能力。值得注意的是，FinDABench和FinMTEB开始关注模型的数据分析能力和金融文本的嵌入表现，显示出评估体系正朝着更细分的技能方向发展。
法律问答评估
法律场景的评估侧重于严谨的逻辑推理。LegalBench构建了包含162项子任务的复杂体系，深入考察模型在规则识别与应用等方面的异质性表现。针对中文场景，LexEval提出了从记忆到伦理的六层级认知能力评估框架。随着检索增强生成（RAG）技术的应用，LegalBench-RAG这类基准也应运而生，专门用于评估模型从海量法律文档中精准定位关键信息的能力，弥补了传统评估的空白。
多模态理解评估
多模态评估的核心在于跨模态的理解与推理。MMMU基准将挑战提升至大学水平的专家任务，检验模型在复杂图文语境下的综合能力。MMDU和MMT-Bench则聚焦于更动态的场景，如多轮对话和多任务理解，模拟真实世界的交互。M³CoT基准特别强调了多步骤、跨模态的思维链推理能力，要求模型不仅能看懂，还能一步步解释其推理过程，这代表了评估深度的显著提升。
智能体评估
Agentic场景的评估强调模型在真实环境中的行动与决策能力。AgentBench通过构建代码、游戏等8种交互环境，全面考察模型的推理、决策和指令跟随能力，其评估框架不依赖现成工具链。GTA基准则瞄准了工具使用能力，旨在弥合实验室评估与真实应用场景的差距。而BrowseComp等基准则专注于评估AI代理的网络浏览等单一但关键的技能，体现了评估正在向实用化和工具化能力倾斜。
综上所述，大模型的评估体系正朝着更专业、更精细、更贴近真实场景的方向演进。从单一的知识问答到复杂的推理与决策，这些基准不仅为技术发展提供了标尺，也为行业应用划定了清晰的能力边界。未来，随着模型能力的持续突破，评估方法又将如何演变，以应对新的挑战？
