近年来，随着大模型技术向垂直领域加速渗透，气象领域成为AI落地的核心民生场景之一：从极端灾害天气预警、农业生产气象调度，到城市精细化出行气象服务、交通路网气象风险适配，专业气象AI的准确率、可靠性直接关系到公共服务效率与产业运行安全。但长期以来，专业气象领域的AI模型评估始终存在基准数据集维度单一、逻辑严谨性不足、地域适配性缺失等痛点，多数通用评测基准无法覆盖气象领域特有的多模态图表解析、专业逻辑推理、本地化气象特征匹配等核心需求，直接制约了气象大模型的落地迭代效率。
2026年4月28日，韩国科学技术院（KAIST）联合公州大学在预印本平台arXiv首发多维度气象学诊断基准数据集K-MetBench，为专业气象AI的能力评估提供了全新的标准化工具。
据公开信息显示，K-MetBench是全球为数不多基于官方执业资格考试体系构建的气象领域基准数据集，其底层数据全部来自韩国国家气象工程师资格考试题库，经过严格的考试题库去重、选项随机化、语义保留改写等标准化治理流程后，最终形成1774条专家级多模态试题，覆盖气象图表解析、专家验证的逻辑推理解释、韩国本土地理文化知识及五大气象子领域的细粒度分析，可全面评估大语言模型在专业气象推理场景下的视觉理解能力、地域适应性及领域知识深度，解决了现有气象AI评估基准在模态融合、逻辑严谨性及文化依赖性评估层面的普遍短板。
从行业应用价值来看，K-MetBench的落地将为多个气象相关领域的AI研发提供核心支撑：其一可用于专业气象大模型的能力评测，帮助研发团队快速定位模型在多模态气象数据解读、专业推理逻辑等层面的短板，大幅提升模型迭代效率；其二可为气象AI助手的开发提供测试依据，面向气象从业人员的辅助决策工具、面向公众的精细化气象服务产品都可通过该数据集完成可靠性验证；其三，其基于本土执业资格考试构建垂直领域基准数据集的开发思路，也为全球其他国家和地区开发适配本地气象特征的同类数据集提供了可参考的框架，对推动全球气象AI产业的规范化发展具有典型借鉴意义。
Dataset card内容：
Files and versions内容：
_1769672084863.jpg)