LLM Judge评估报告

基本信息

• 评估日期: 2025-10-11T12:41:43.357467
• 评委模型: gpt-4o
• 评估数量: 30 个题目

评估结果

总体评分

• 平均总分: 3.32/5.0
• 通过率: 40.00% (≥3.5分)
• 优秀率: 10.00% (≥4.5分)

各维度评分

维度	平均分	评级

详细结果

题目 1: gen_aime_1

• 总分: 3.50/5.0
• 各维度评分:
  • 正确性: 3.0
  • 清晰度: 4.0
  • 难度匹配: 3.0
  • 完整性: 4.0

题目 2: gen_aime_2

• 总分: 3.75/5.0
• 各维度评分:
  • 正确性: 4.0
  • 清晰度: 4.0
  • 难度匹配: 3.0
  • 完整性: 4.0

题目 3: gen_aime_3

• 总分: 2.75/5.0
• 各维度评分:
  • 正确性: 2.0
  • 清晰度: 3.0
  • 难度匹配: 4.0
  • 完整性: 2.0

题目 4: gen_aime_4

• 总分: 2.50/5.0
• 各维度评分:
  • 正确性: 1.0
  • 清晰度: 3.0
  • 难度匹配: 3.0
  • 完整性: 3.0

题目 5: gen_aime_5

• 总分: 3.50/5.0
• 各维度评分:
  • 正确性: 4.0
  • 清晰度: 4.0
  • 难度匹配: 3.0
  • 完整性: 3.0

题目 6: gen_aime_6

• 总分: 3.00/5.0
• 各维度评分:
  • 正确性: 2.0
  • 清晰度: 3.0
  • 难度匹配: 4.0
  • 完整性: 3.0

题目 7: gen_aime_7

• 总分: 3.25/5.0
• 各维度评分:
  • 正确性: 3.0
  • 清晰度: 3.0
  • 难度匹配: 4.0
  • 完整性: 3.0

题目 8: gen_aime_8

• 总分: 4.00/5.0
• 各维度评分:
  • 正确性: 4.0
  • 清晰度: 4.0
  • 难度匹配: 4.0
  • 完整性: 4.0

题目 9: gen_aime_9

• 总分: 3.25/5.0
• 各维度评分:
  • 正确性: 3.0
  • 清晰度: 4.0
  • 难度匹配: 3.0
  • 完整性: 3.0

题目 10: gen_aime_10

• 总分: 4.50/5.0
• 各维度评分:
  • 正确性: 5.0
  • 清晰度: 4.0
  • 难度匹配: 4.0
  • 完整性: 5.0

（仅显示前10个题目的详细评分，完整结果请查看JSON文件）

结论

基于LLM Judge的评估，生成的数据集质量需要改进。

---

报告生成时间: 2025-10-11 12:41:43