大模型领域的火爆程度，想必大家早已有目共睹。各类评测榜单层出不穷，既是厂商展现技术实力的必争之地，也成为用户选型时的重要参考依据。不过，面对满屏幕的英文缩写和专业术语，许多人难免感到困惑不解。
先给出几个核心判断：评测体系正在从“做题家”转向“实干家”。过去，能答对选择题就算本事；如今，能否在真实场景中高效完成任务，才是硬道理。基于这一思路，我们来梳理一下国际通用的学术基准与国内特色评测体系，看看像Anthropic（Claude）和智谱（GLM）这样的头部玩家，究竟在用怎样的“试卷”来考核自己的模型。
一、 学术界的“高考”：通用能力基准
无论是GLM、Anthropic、OpenAI还是Google，在发布新模型时，基本都要先提交六张“标准答卷”——也就是业界公认的通用能力基准。这相当于大模型的“高考”，不通过这些测试，论文和技术报告就难以发表，媒体也不会给予关注。
如果把大模型比作学生，那么学术界维护的一系列数据集就是标准化的“高考试卷”。想要在国际舞台上赢得认可，这几门“必修课”必须考好：
1. 通识知识的“地基”：MMLU 与 MMLU-Pro
MMLU（大规模多任务语言理解）是目前最知名的“百科知识”测试。它涵盖57个学科，从美国历史到高等数学，共1.5万道题目，是衡量大模型知识广度的“入场券”。但随着时间推移，模型分数越来越高，MMLU也暴露出一些问题——例如题目本身存在错误，以及顶级模型分数过于接近，出现“饱和”现象。于是，升级版MMLU-Pro应运而生，它增加选项数量、提升推理难度，是目前更具含金量的版本。
2. 数学推理的“试金石”：GSM8K 与 MATH
GSM8K主要考察小学到初中的应用题，用于判断模型是否具备基础的多步推理能力（即思维链能力）。而MATH则是竞赛级难题，风格类似AIME和AMC。如果说GSM8K是中考，那MATH就是奥赛——它正是区分模型是“死记硬背”还是“真正逻辑推理”的分水岭。
3. 代码生成的“硬通货”：HumanEval
由OpenAI提出的HumanEval包含164个手写编程问题，评分标准为Pass@k——即代码能否通过单元测试。这一指标是衡量模型“程序员辅助”能力的核心标准。
4. 极限推理的“珠峰”：GPQA
博士级别的科学问答，涵盖生物、物理、化学。题目设计极其刁钻，就连人类专家在没有辅助工具的情况下也容易答错。可以说，GPQA是目前检验大模型“智力上限”的最权威基准。
5. 常识与逻辑的“补漏”：BBH (Big-Bench Hard)
从庞大的BIG-Bench项目中筛选出的23个任务。这些任务均是早期模型表现不如人类的“硬骨头”，主要用来考察常识因果和复杂指令遵循能力。
总结来看，这六张试卷各司其职：
| 优先级 | Benchmark | 测什么 | 为什么必报 |
|---|---|---|---|
| ⭐⭐⭐ | MMLU / MMLU-Pro | 通用知识广度与推理 | 最老牌的“地基分”，媒体和采购方最先看 |
| ⭐⭐⭐ | GSM8K | 小学到初中多步数学 | 最简单的“推理能力门槛”探针 |
| ⭐⭐⭐ | MATH | 竞赛级数学（AIME/AMC风格） | 区分“背出来”与“真推导” |
| ⭐⭐⭐ | HumanEval（pass@k） | Python函数级代码生成 | 代码能力的硬通货指标 |
| ⭐⭐⭐ | GPQA（-Diamond） | 博士级理化生，难以作弊 | 当前推理上限最受认可的基准 |
| ⭐⭐ | BBH / BIG-Bench Hard | 多步推理中模型曾低于人类的23类任务 | 补MMLU的不足——更偏重“思维链” |
二、 用户的“大众点评”：对话与主观体验
光靠客观选择题远远不够，毕竟我们日常是用AI聊天和工作的。为了衡量“好不好用”，业界发展出两套更贴近用户体验的机制。
1. Chatbot Arena：匿名对战平台
由加州大学伯克利分校发起的Chatbot Arena，堪称AI界的“英雄联盟”。用户在同一界面下向两个匿名模型提问，然后选出更好的回答。系统根据海量投票计算Elo评分。这种机制完全由真实用户驱动，难以作弊，最能反映模型的“实战手感”。
2. MT-Bench：大模型当裁判
人工评测效率过低，于是学界引入“LLM-as-a-Judge”机制——让GPT-4级别的强模型去评价其他模型的回答。虽然不完全客观，但效率极高，且与人类偏好的吻合度超过80%。
三、 本土化战场：中文大模型的“特色试卷”
对于国内的GLM、Qwen等模型来说，仅仅在国际榜单上拿高分还不够，还需要证明自己在中文语境下的硬实力。
1. C-Eval 与 CMMLU：中国版的MMLU
C-Eval涵盖52个中国大学学科，包括中国近现代史、法律、执业医师考试等，是检验模型是否具备“中式知识体系”的标尺。CMMLU则更进一步，不仅考知识，还考中国文化语境，例如交通规则、饮食习俗等。
2. AGIEval 与 高考榜
直接拿中国的高考、公务员考试、法考题来考模型。这种评测最具现实意义：如果AI能考上一本，那么它在处理复杂的本土业务逻辑时，就更值得信赖。
3. SuperCLUE：中文社区的琅琊阁
国内最早的综合性评测体系之一，除了客观题，还包含大量开放式问答和“琅琊榜”匿名对战，专门用来评估中文对齐能力和指令遵循度。
四、 实战观察：Claude 和 GLM 到底在考什么？
理解了上述体系，我们再回头看两家代表性公司的技术报告，就能读懂它们的策略。
1. Anthropic (Claude)：主打“全球通才”
Claude的评测清单非常“国际化”和“极客化”。它的核心招牌是GPQA（博士级推理）、MMLU（通识）和HumanEval（代码）。值得注意的是，Claude通常不报C-Eval或CMMLU的分数，因为它定位为全球模型，中文专项并非其首要宣传点。随着模型不断成熟，Claude开始重点攻克SWE-bench（真实软件工程修复），证明自己能解决GitHub上的实际Bug，而不仅仅是刷题。
2. 智谱 (GLM)：主打“中英双语，本土深耕”
GLM的策略是典型的“两条腿走路”：左手抓国际卷，必须跑通MMLU、GSM8K、MATH、HumanEval，证明自己达到国际顶尖水平；右手抓中文卷，重点展示C-Eval、CMMLU和AlignBench（中文对齐）的分数，强调其在中文理解上的优势。进入GLM-5阶段后，评测重点已转向智能体工程，例如Terminal-Bench（终端操作）和长上下文处理，意在证明模型能像工程师一样干活。
五、 合规与准入：看不见的“国标线”
除了学术榜单，在中国市场落地，还有一个隐形的评测体系——国家标准与信通院认证。GB/T 45288是中国首部大模型国家标准，规定了性能、安全和服务能力的底线。而由信通院主导的可信AI评估，则是大模型进入政务、金融、电信等关键行业的“准入证”。这意味着，即便一个模型在MMLU上拿了满分，如果通不过国家的安全合规评测，依然无法在严肃场景中大规模应用。
六、 写在最后：如何正确看待评测？
对于普通用户和开发者来说，面对眼花缭乱的榜单，建议记住以下三点：
首先，没有全能冠军。MMLU饱和了并不代表模型已经完美，可能只是题目不够难了。GPQA和MATH更能反映高阶推理能力。其次，场景决定选择。写代码要看HumanEval和SWE-bench；处理中文公文要看C-Eval和AlignBench；想要聊天顺畅，那就去Chatbot Arena看排名。最后，也是最重要的一点：实战胜于榜单。最靠谱的评测，永远是拿你自己的业务数据去测试。用GPT-4o或Claude 3.5作为裁判，对你的候选模型进行两两对比，这才是选型的“黄金标准”。
大模型评测正在从“做题家”时代迈向“实干家”时代。未来，我们关注的将不再是模型能做对几道选择题，而是它能为我们的工作和生活解决多少实际问题。
