9月19日消息，繼SuperCLUE中文大模型評測基準(zhǔn)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(zhǔn)、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(dāng)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(jìn)行了評測框架升級，細(xì)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(tuán)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(kuò)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(diǎn)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(zhǔn)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。
- 蜜度索驥：以跨模態(tài)檢索技術(shù)助力“企宣”向上生長
- 《全職高手》登陸上海北外灘 成二次元愛好者熱門打卡地
- 新勢力2025年將迎決戰(zhàn)?銷量翻番才能活下去？
- 馬蜂窩大數(shù)據(jù)：“元旦一日游”熱度上漲166%，不少人選擇“請四休九”
- 亞馬遜云科技陳曉建：2025年很多客戶將從生成式AI原型驗(yàn)證轉(zhuǎn)為生產(chǎn)應(yīng)用
- 林肯中國回應(yīng)“并入福特中國”傳聞：簡化財務(wù)體系 各項業(yè)務(wù)保持不變
- 要做中國的OpenAI？字節(jié)跳動2024年研發(fā)開支接近BAT之和
- 螞蟻旗下跨境匯款平臺為開發(fā)者提供收款服務(wù) 每日限額10萬美元
- 要買車還能再等等！2025年新能源車，這些關(guān)鍵技術(shù)將有重大升級
- AAAA，三七互娛發(fā)起的游心公益基金會社會組織評估等級再提升
- 網(wǎng)易云音樂2024年度聽歌報告刷屏 你最喜歡的歌手是誰？
免責(zé)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(zhǔn)確性及可靠性，但不保證有關(guān)資料的準(zhǔn)確性及可靠性，讀者在使用前請進(jìn)一步核實(shí)，并對任何自主決定的行為負(fù)責(zé)。本網(wǎng)站對有關(guān)資料所引致的錯誤、不確或遺漏，概不負(fù)任何法律責(zé)任。任何單位或個人認(rèn)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(shí)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(shí)情況說明，并提供身份證明、權(quán)屬證明及詳細(xì)侵權(quán)或不實(shí)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(shí)，溝通刪除相關(guān)內(nèi)容或斷開相關(guān)鏈接。
