本研究提出了ProJudgeBench，这是第一个用于评估多模态大语言模型（MLLM）过程判断能力的基准。研究表明，开放源代码模型与专有模型之间存在显著性能差距，并通过ProJudge-173k数据集和双阶段微调策略提升了开放源代码模型的评估能力。