9月19日消息，繼SuperCLUE中文大模型評(píng)測(cè)基準(zhǔn)8月榜單發(fā)布之后，國(guó)內(nèi)又一權(quán)威評(píng)測(cè)體系FlagEval（天秤）公布最新9月榜單評(píng)測(cè)結(jié)果。

FlagEval（天秤）是北京智源人工智能研究院推出的大模型評(píng)測(cè)體系及開(kāi)放平臺(tái)，旨在建立科學(xué)、公正、開(kāi)放的評(píng)測(cè)基準(zhǔn)、方法、工具集，協(xié)助研究人員全方位評(píng)估基礎(chǔ)模型及訓(xùn)練算法的性能。FlagEval 大語(yǔ)言模型評(píng)測(cè)體系當(dāng)前包含6大評(píng)測(cè)任務(wù)，近30個(gè)評(píng)測(cè)數(shù)據(jù)集，超10萬(wàn)道評(píng)測(cè)題目。

據(jù)悉，在9月評(píng)測(cè)中，F(xiàn)lagEval進(jìn)行了評(píng)測(cè)框架升級(jí)，細(xì)化「安全與價(jià)值觀(guān)」與「推理能力」。依據(jù)最新版的能力框架，F(xiàn)lagEval 團(tuán)隊(duì)同步更新了智源自建的 Chinese Linguistics & Cognition Challenge (CLCC) 主觀(guān)評(píng)測(cè)數(shù)據(jù)集題庫(kù)v2.0，題目數(shù)量擴(kuò)充3倍，采用“多人‘背靠背’評(píng)測(cè)+第三方仲裁”的方式保證評(píng)測(cè)結(jié)果的一致性。

基于最新 CLCC v2.0主觀(guān)評(píng)測(cè)數(shù)據(jù)集，F(xiàn)lagEval（天秤）9月榜重點(diǎn)評(píng)測(cè)了近期大熱的 7 個(gè)開(kāi)源對(duì)話(huà)模型。從整體結(jié)果來(lái)看，Baichuan2-13b-chat、Qwen-7b-chat、Baichuan2-7b-chat名列前茅，準(zhǔn)確率均超過(guò) 65%。

在基座模型榜單中，Baichuan 2、Qwen、InternLM、Aquila 的客觀(guān)評(píng)測(cè)結(jié)果表現(xiàn)均超越同參數(shù)量級(jí)的 Llama 及 Llama2 模型。

在 SFT 模型榜單中，Baichuan2-13B-chat、YuLan-Chat-2-13B、AquilaChat-7B 名列前三。

另外，值得注意的是，在客觀(guān)評(píng)測(cè)兩個(gè)榜單中，Baichuan 2均表現(xiàn)出優(yōu)異性能，基礎(chǔ)模型測(cè)試在中英文領(lǐng)域均全面超越Llama2。

生成海報(bào)

免責(zé)聲明：本網(wǎng)站內(nèi)容主要來(lái)自原創(chuàng)、合作伙伴供稿和第三方自媒體作者投稿，凡在本網(wǎng)站出現(xiàn)的信息，均僅供參考。本網(wǎng)站將盡力確保所提供信息的準(zhǔn)確性及可靠性，但不保證有關(guān)資料的準(zhǔn)確性及可靠性，讀者在使用前請(qǐng)進(jìn)一步核實(shí)，并對(duì)任何自主決定的行為負(fù)責(zé)。本網(wǎng)站對(duì)有關(guān)資料所引致的錯(cuò)誤、不確或遺漏，概不負(fù)任何法律責(zé)任。任何單位或個(gè)人認(rèn)為本網(wǎng)站中的網(wǎng)頁(yè)或鏈接內(nèi)容可能涉嫌侵犯其知識(shí)產(chǎn)權(quán)或存在不實(shí)內(nèi)容時(shí)，應(yīng)及時(shí)向本網(wǎng)站提出書(shū)面權(quán)利通知或不實(shí)情況說(shuō)明，并提供身份證明、權(quán)屬證明及詳細(xì)侵權(quán)或不實(shí)情況證明。本網(wǎng)站在收到上述法律文件后，將會(huì)依法盡快聯(lián)系相關(guān)文章源頭核實(shí)，溝通刪除相關(guān)內(nèi)容或斷開(kāi)相關(guān)鏈接。