9月19日消息，繼SuperCLUE中文大模型評測基準8月榜單發(fā)布之后，國內(nèi)又一權(quán)威評測體系FlagEval（天秤）公布最新9月榜單評測結(jié)果。
FlagEval（天秤）是北京智源人工智能研究院推出的大模型評測體系及開放平臺，旨在建立科學(xué)、公正、開放的評測基準、方法、工具集，協(xié)助研究人員全方位評估基礎(chǔ)模型及訓(xùn)練算法的性能。FlagEval 大語言模型評測體系當前包含6大評測任務(wù)，近30個評測數(shù)據(jù)集，超10萬道評測題目。
據(jù)悉，在9月評測中，F(xiàn)lagEval進行了評測框架升級，細化「安全與價值觀」與「推理能力」。依據(jù)最新版的能力框架，F(xiàn)lagEval 團隊同步更新了智源自建的 Chinese Linguistics & Cognition Challenge (CLCC) 主觀評測數(shù)據(jù)集題庫v2.0，題目數(shù)量擴充3倍，采用“多人‘背靠背’評測+第三方仲裁”的方式保證評測結(jié)果的一致性。
基于最新 CLCC v2.0主觀評測數(shù)據(jù)集，F(xiàn)lagEval（天秤）9月榜重點評測了近期大熱的 7 個開源對話模型。從整體結(jié)果來看，Baichuan2-13b-chat、Qwen-7b-chat、Baichuan2-7b-chat名列前茅，準確率均超過 65%。
在基座模型榜單中，Baichuan 2、Qwen、InternLM、Aquila 的客觀評測結(jié)果表現(xiàn)均超越同參數(shù)量級的 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，在客觀評測兩個榜單中，Baichuan 2均表現(xiàn)出優(yōu)異性能，基礎(chǔ)模型測試在中英文領(lǐng)域均全面超越Llama2。
（免責聲明：本網(wǎng)站內(nèi)容主要來自原創(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確性及可靠性，但不保證有關(guān)資料的準確性及可靠性，讀者在使用前請進一步核實，并對任何自主決定的行為負責。本網(wǎng)站對有關(guān)資料所引致的錯誤、不確或遺漏，概不負任何法律責任。
任何單位或個人認為本網(wǎng)站中的網(wǎng)頁或鏈接內(nèi)容可能涉嫌侵犯其知識產(chǎn)權(quán)或存在不實內(nèi)容時，應(yīng)及時向本網(wǎng)站提出書面權(quán)利通知或不實情況說明，并提供身份證明、權(quán)屬證明及詳細侵權(quán)或不實情況證明。本網(wǎng)站在收到上述法律文件后，將會依法盡快聯(lián)系相關(guān)文章源頭核實，溝通刪除相關(guān)內(nèi)容或斷開相關(guān)鏈接。 ）
