大型语言模型（LLM）正被广泛用作统计与数据科学的助手，但现有评估大多假设分析目标已经明确。实际使用中，用户往往只提出模糊目标并提供多样化数据，模型需要自行判断隐含的统计任务并识别相关变量。我们将这一前置步骤正式定义为统计问题表述，并将其拆解为两个子任务：统计问题分类（Statistical Problem Classification）和变量识别与角色分配（Variable Identification & Role Assignment）。
基于此，我们构建了 StatFormBench 基准，数据来源于五本跨领域统计教材和一个数据科学案例库，覆盖多种问题类型、数据表现形式和情境风格。基准共包含 1,013 条样本，涉及 20 个粗粒度和 85 个细粒度的统计问题类别。
在 14 种开源与闭源 LLM 上进行零样本评估，最佳模型在细粒度分类上仅达到 72.0% 的准确率，在变量集合重叠度上最高为 63.2%。没有模型在两项子任务上同时表现最佳，且通过增强提示（prompting）策略只能获得有限或不一致的提升。
我们已在 Hugging Face 发布基准数据（https://huggingface.co/datasets/THU-CongLab/StatFormBench），并在 GitHub 开源评估代码（https://github.com/THU-CongLab/StatFormBench）。
点评