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、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。