标签
TeachObs引入了一个经过人工验证的多模态教学观察基准，包含30个课堂视频，这些视频标注了片段级别的二元编码和课程级别的专家评分，并评估了五个前沿LLM在三个轨道上的表现，发现没有单一模型能持续优于其他模型，并且模型评估对程序清晰的课程给出了过高评价。