add benchmark

benchmark/README.md

@@ -1,9 +1,9 @@
-##评价基准
+## 评价基准
 我们提出了中文医学复杂开放式问题回答基准（CMCOQA），旨在通过在医疗场景中构建复杂的开放式问题来更准确、有效地评估大语言模型的医学水平。  
-###基准构建
+### 基准构建
 我们首先手动构建了100个复杂的医学问题，并通过GPT-4结合Self-Instruct方法扩展至1200个问题，形成CMCOQA基准。并依据ICD-10标准进行问题分类，对某些类别进行调整，以确保数据集涵盖了各种疾病，且分布相对均衡。   
- - [CMCOQA基准数据集样例](question.json)
-###评价维度
+ - [CMCOQA基准数据集样例](question.json)  
+### 评价维度
 CMCOQA基准涉及三个评估维度：完整性（Completeness）、深刻性（Depth）和专业性（Professionalism）。在每个维度按照下表的评分标准，使用0到3分进行评分。
 
 
@@ -17,7 +17,7 @@ CMCOQA基准涉及三个评估维度：完整性（Completeness）、深刻性
 |            | 简洁性      | 言简意赅，直奔主题，没有冗余信息。          |
 |            | 术语使用     | 恰当使用专业术语，展现专业水平。            |
 
-###评价结果
+### 评价结果
 我们使用人工和GPT-4o结合的方式，使用CMCOQA基准对一系列医学大模型以及通用领域大模型进行评估，可以看到，在医学大模型领域，基于知识微调的本草大模型表现优异，尤其在回复的深刻性方面，显著优于其他基线。
 
 <p align="center" width="100%">