提到大模型能力评估，大家可能首先会联想到各种令人眼花缭乱的榜单。实际上，根据评测所关注的维度，可以将其简单划分为两大类：通用评测基准与具体评测基准。通用评测基准覆盖范围广泛，试图从多个角度全面衡量模型的综合能力；而具体评测基准则聚焦于单一维度，例如数学推理、对抗鲁棒性等，深入挖掘模型在特定方面的真实表现。
通用评测基准
通用评测基准，顾名思义，是对大模型在语言理解、逻辑推理、知识掌握等各个维度进行“地毯式”扫描。它通常整合了多个数据集和任务，每个任务侧重点各不相同，最后汇总成一个综合评分，用于为模型排定座次、划分高低。
SuperCLUE
这是中文大模型领域绕不开的标杆——一个专门针对多轮开放领域对话的测评基准。它主要考察模型在三个维度的表现：基础能力（包含语义理解、逻辑推理、角色模拟等10项常见技能）、专业能力（覆盖中学到大学50多个学科，从数学物理到社会科学），以及中文特性能力（成语、诗歌、字形等10项极具中文特色的任务）。简单来说，它旨在测试模型是否“会说人话”，尤其是能否说好中国话。
C-Eval
由上海交通大学、清华大学和爱丁堡大学联合打造的中文基础模型评估套件。它包含13948道多项选择题，涵盖52个学科，从人文社科到理工农医，难度分为四个等级。你可以将其理解为一套“中文版学科大考”，专门用于测试模型的知识面究竟有多广泛。
Open LLM Leaderboard
由Hugging Face推出的公开排行榜，是目前大模型领域最具权威性的榜单之一。它收录了全球上百个开源大模型，评测任务覆盖阅读理解、逻辑推理、数学计算、事实问答等六大方向。具体包括以下项目：
- AI2 Reasoning Challenge (25-shot)：小学科学题目，但别小看它，许多模型在此栽跟头。
- HellaSwag (10-shot)：常识推理数据集，人类觉得很简单，但对模型来说却是“地狱难度”。
- MMLU (5-shot)：多任务准确性标杆，覆盖基础数学、美国历史、计算机科学、法律等57项任务。
- TruthfulQA (0-shot)：专门测试模型是否会“撒谎”——更准确地说，是测试模型输出事实真相的能力。
Chatbot Arena
由加州大学伯克利分校、圣地亚哥分校和卡内基梅隆大学联合创建的众包对战平台。你输入一个问题，两个匿名模型会各自生成答案，然后你（或其他用户）来评判哪个更好：模型A、模型B、平手、都很差。最终通过Elo评分系统为模型排位。OpenAI和Google会直接引用这个榜单为自家模型背书，可见其影响力之大。
GLUE
这是自然语言理解领域的经典基准，由纽约大学、华盛顿大学和DeepMind的研究者共同提出。它包含9项任务，覆盖语法判断（CoLA）、情感分析（SST-2）、句子复述判断（MRPC）、问题等价性（QQP）、语义相似度（STS-B）、自然语言推理（MNLI）、问答匹配（QNLI）、文本蕴含（RTE）以及代词指代（WNLI）。每一项都在测试模型对语言细节的拿捏能力，堪称NLU领域的“全能五项”。
具体评测基准
如果说通用基准是“全科体检”，那么具体基准就是“专科深度检查”，专注于某一能力或某一特定场景。
MMLU（Massive Multitask Language Understanding）
由UC Berkeley在2020年推出，是目前最著名的大模型语义理解测评之一。它整合了数学、物理、历史、法律、医学和伦理学等57个科目的测试题，既有基础语言理解，也有需要推理和解决的问题。相比其他基准，MMLU的广度和深度更强，能更全面地衡量模型的知识储备和推理能力。
AGI Eval
微软在2023年4月发布的评测基准，主要考察大模型在“以人为本”任务上的表现。它选取了20种面向普通人类考生的官方考试——包括高考、SAT、法学入学考试、数学竞赛、律师资格考试、国家公务员考试等。换句话说，就是让模型与人类同台竞技，看它能否通过标准化考试的检验。
GSM8K
OpenAI发布的数学推理能力评测，包含8500个中学水平的数学应用题。该数据集比以往更大，语言更加多样，题目也更具挑战性。虽然2021年就已发布，但时至今日，它依然是许多大模型难以逾越的障碍。
MT-bench
评估大模型在多轮对话和指令追随方面的能力。数据集包含80个高质量多轮问题（8个类别×10个问题），每个问题由6个知名模型（GPT-4、GPT-3.5、Claude-v1、Vicuna-13B等）回答，然后由人工排序得到3.3K对比较。它专门“刁难”模型在多轮对话中保持一致性和准确性的能力。
PromptBench
由微软研究院等机构开发的基准测试工具，目的是评估大模型对对抗性提示的鲁棒性。它通过字符级、单词级、句子级和语义级的文本攻击，模拟用户可能犯的错误（比如错别字、同义词替换），看看这些微小扰动会不会导致模型“失灵”。
总结
在众多评测集中，OpenAI和Google直接拿Chatbot Arena的结果作为自家模型的“成绩单”。对于日常研究而言，若想快速把握大模型的能力水平，关注Chatbot Arena的排行榜确实是最简单高效的方式。从最新榜单也能看出，国产大模型在SuperCLUE上表现可圈可点，但整体效果仍落后于国外前沿模型。这种差距不能简单归咎于某一原因——算力、算法、数据，每个环节都还有很长的路要走。
征途漫漫，惟有奋斗。