标签
本文对六种前沿大语言模型（LLM）进行基准测试，评估其根据警方事故叙述为事故属性编码的效果，并与官方致命事故数据库进行对照。研究发现，虽然 GPT-5.5 High 在 LLM 中表现领先，但简单基线方法的性能可与 LLM 媲美甚至更优，且属性间的差异大于模型间的差异。