TenkiBench：面向挪威中小企业的开源大语言模型评测基准

TenkiBench是由Tenki Labs开发维护的开源大语言模型评测基准，专门针对挪威中小企业（SMB）实际业务场景设计。它填补了通用评测基准在地域化、行业化场景覆盖的空白，涵盖发票解析、合同分析、税务计算等八大核心任务，为企业选型AI工具提供客观参考，也为AI开发者指明本地化改进方向。

主流LLM评测基准（如GLUE、MMLU）多聚焦通用知识或英语场景，难以满足特定地域行业需求。挪威商业环境独特：复杂税收法规、两种书面挪威语（Bokmål/Nynorsk）、Brønnøysund企业注册中心等本地化文档处理需求。挪威中小企业关心的是AI能否准确处理本地发票、税务计算、法律条款等，这些正是TenkiBench诞生的背景。

TenkiBench包含八大评测任务：

1. 发票解析：提取总金额、MVA（增值税）、KID号码等结构化信息；
2. 合同分析：识别NDA、雇佣合同等风险条款；
3. 税务计算：验证增值税率应用、抵扣判断等税法理解能力；
4. 法律引用识别：准确识别挪威法律条文引用；
5. 企业注册查询：解析Brønnøysund中心的企业信息；
6. 人力资源与薪酬：回答劳动法相关问题（如病假工资、年假）；
7. 客户服务语气优化：调整回复符合挪威商业沟通规范；
8. 双语互译：Bokmål与Nynorsk之间准确翻译。

技术架构：前端用Next.js+Tailwind CSS，后端PostgreSQL存储数据，通过OpenAI SDK对接Mammouth.ai平台接入多模型，Caddy作为边缘服务器。 评测原则：公平（统一测试集、开源代码）、透明（任务/代码/结果公开）、可复现（提供本地运行指南）。 评估方法：针对不同任务采用数值匹配+正则、LLM-as-judge、JSON模式验证、专家评估等多种方式。

1. 查看公开排行榜：访问bench.tenki.no获取各模型表现；
2. 本地运行评测：安装依赖后，通过命令（如pnpm bench:run --model=gpt-5）针对特定模型/类别评测；
3. 贡献新任务：参考项目指南提交挪威商业场景相关的新任务提案。

局限性：任务仅限挪威语场景，部分hold-out数据非公开（防止过拟合）。 未来方向：扩展至多语言（北欧/欧洲语言）、行业细分（医疗/法律）、动态评测（随时间更新任务）、多模态（处理图片/扫描件）。

TenkiBench代表LLM评测从通用能力转向场景化、地域化实用能力的趋势。它为挪威中小企业提供模型选型的客观参考，也帮助AI社区发现本地化能力边界。未来，更多类似的地域化、行业化基准将推动AI真正服务于实际业务需求。 项目链接：https://github.com/tenki-labs/tenkibench | 在线评测：https://bench.tenki.no