标签
本文介绍了HumRightsBench，这是首个经过专家验证的、基于场景的基准测试，用于评估大语言模型在国际人权法方面的法律推理能力。在前沿模型上的试点结果显示，总体准确率在0.339到0.577之间，凸显了在检测义务违反方面的显著差距。