本仓库用于展示 Pulsemind 与其它模型（如 Gemini）在医学场景上的 Benchmark 评测流程。
我们将大模型（如 GPT-4）作为裁判，对不同模型在同一测试集上的输出进行对比打分。

✅ 快速使用：只需一条命令完成全部评测流程：

bash eval_all.sh

eval_all.sh 会自动依次完成：模型测试 → 生成对比用 prompt → 调用大模型评测 → 汇总统计结果。

下面是完整的手动执行流程及每一步的作用说明。

python test-CMtMedQA.py
# python test-MedDiagnose.py

python get_prompt.py

python call_llm.py

python result.py