来源：清华大学新闻与传播学院

大语言模型的旋风，早已从实验室刮到产业界和大众视野。它们能写诗、能编程、能聊天，但到底哪个模型更靠谱、更适合特定任务，一直缺少系统性的横向对比。最近，清华大学新闻与传播学院发布了一份《大语言模型综合性能评估报告》，对市面上7款主流通用大语言模型做了全方位的“体检”——从生成质量、使用与性能、安全与合规三个核心维度切入，覆盖了上下文理解、任务响应速度、创意写作、代码编程、舆情分析等典型场景。这份报告的意义，如果用一句话总结：给“选哪个模型”提供了硬核的参考依据。

以下为报告

报告介绍

大语言模型的能力已无需赘言，但不同模型之间的差异，就像同一道菜在不同厨师手里——入口才能分出高下。本报告的核心目标，就是深入探究这些模型的综合性能，并给出竞品之间的直观对比。评估具体来说，涵盖了上下文理解、相关性、响应速度等标准化指标，同时针对创意写作、代码编程、舆情分析、历史知识等垂直场景进行了实测，既看“会不会答”，也看“答得有多好”。更重要的是，报告还探讨了这些模型在实际应用中的有效性与局限性——毕竟，实验室里的满分和实战中的及格，往往不是一回事。

评估完成后，报告将深入剖析各大模型在各项指标上的表现差异，并溯源其背后的技术和架构差异。比如，为什么某些模型在长文本理解上更稳定？为什么某些模型在安全合规方面表现更优？这些差异如何影响综合性能？通过这一层层剥开式的分析，报告希望为读者提供一个大语言模型选型地图，帮大家在做决策时少踩一些坑。