NutriBench: A Dataset for Evaluating Large Language Models in Carbohydrate Estimation from Meal Descriptions

准确的营养估计有助于人们做出明智的饮食选择，对于预防严重的健康问题至关重要。我们提出了NutriBench，这是第一个基于自然语言餐食描述的营养基准公开数据集。NutriBench包含5,000个经过人工验证的餐食描述，具有宏量营养标签，包括碳水化合物、蛋白质、脂肪和卡路里。数据分为15个子集，根据餐食中食物项目的数量、份量和受欢迎程度以及份量描述的特定性来区分复杂度。我们在我们的碳水化合物估计基准上对七种流行的和最先进的大型语言模型（LLMs）进行了广泛的评估，包括GPT-3.5、Llama-3和一个医学领域专用模型，使用标准的、思考链和检索增强生成策略。我们还进行了一项涉及专家和非专家参与者的人类研究，并发现LLMs可以在一系列复杂查询中提供更准确和更快的预测。我们对不同LLMs进行了彻底的分析和比较，突出了在实际情况下使用LLMs进行营养估计的机遇和挑战。我们的基准数据集可在以下网址公开获取：https://mehak126.github.io/nutribench.html。

本论文旨在提供一个公开可用的自然语言餐食描述营养基准，以帮助人们做出明智的饮食选择并预防严重健康问题。同时，论文还试图探讨使用大型语言模型（LLMs）进行营养估计的机会和挑战。

该论文提出了NutriBench，这是一个包含5,000个人工验证的餐食描述和营养标签的基准数据集，其中包括碳水化合物、蛋白质、脂肪和卡路里。论文还对七种流行的LLMs进行了广泛评估，并进行了人类研究，发现LLMs可以在一系列复杂查询中提供更准确和更快速的预测。

论文提供了一个公开可用的自然语言餐食描述营养基准数据集，并对七种流行的LLMs进行了广泛评估。人类研究表明，LLMs可以在一系列复杂查询中提供更准确和更快速的预测。论文还提供了对不同LLMs的深入分析和比较，以及使用LLMs进行营养估计的机会和挑战。

在这个领域中，最近的相关研究包括：1）使用深度学习进行食物图像识别；2）使用自然语言处理技术进行营养估计；3）使用机器学习算法进行饮食行为分析。