首页 > Ai资讯 > Ai知识库 > CLiB中文大模型能力评测榜单（持续更新）

CLiB中文大模型能力评测榜单（持续更新）

发布时间：2024年06月06日

53

出自：https://zhuanlan.zhihu.com/p/634608422

  • 目前已囊括19个大模型，覆盖chatgpt、百度文心一言、阿里通义千问、讯飞星火、360智脑、minimax、tigerbot等商用模型， 以及belle、chatglm6b、ziya、guanaco、Phoenix、linly、MOSS、AquilaChat等开源大模型。
  • 模型来源涉及国内外大厂、大模型创业公司、高校研究机构。
  • 支持多维度能力评测，包括分类能力、信息抽取能力、阅读理解能力、表格问答能力。
  • 不仅提供能力评分排行榜，也提供所有模型的原始输出结果！有兴趣的朋友可以自己打分、自己排行！

最近更新

  • [2023/7/2] 发布v1.3版本评测榜单
    • 新增3个大模型：360智脑、MOSS-003-SFT、AquilaChat-7B
    • 讯飞星火更新为最新的v1.5模型
  • [2023/6/17] 发布v1.2版本评测榜单
    • 新增2个大模型：tigetbot-7b官网、linly-chatflow-13b
    • 说明做评测榜单的初衷
  • [2023/6/10] 发布v1.1版本评测榜单
    • 新增3个大模型：minimax、guanaco、Phoenix-7b
    • 新增表格问答评测维度，作为阅读理解能力的细分项
  • [2023/6/4] 发布v1版本评测榜单

⚓TODO

  • 将更多大模型加入评测：gpt4、Claude、谷歌Bard、falcon、羊驼、百川、wizardLM等等
  • 增加开源大模型的授权协议，注明能否商用
  • 引入更多维度的评测：数学能力、代码能力、开放域问答、多轮对话、头脑风暴、翻译……
  • 评测维度更细分，比如信息抽取可以细分时间实体抽取能力、地址实体抽取能力……
  • 海纳百川，整合各类评测榜单，扩充细分领域榜单（比如教育领域、医疗领域）
  • 加入更多评测数据，使得评测得分越来越有说服力

大模型基本信息

更详细的大模型信息，见github.com/jeinlee1991/

大模型 机构 类别 链接
chatgpt-3.5 openai 商用 chat.openai.com
文心一言 百度 商用 yiyan.baidu.com
chatglm官方 智谱AI 商用 chatglm.cn
讯飞星火 科大讯飞 商用 xinghuo.xfyun.cn/desk
360智脑 奇虎360 商用 ai.360.cn/
阿里通义千问 阿里巴巴 商用 tongyi.aliyun.com
minimax minimax 商用 api.minimax.chat
tigerbot-7b官网 虎博科技 商用/开源 tigerbot.com/
chatglm-6b 清华大学&智谱AI 开源 github.com/THUDM/ChatGL
belle-llama-7b-2m 链家科技 开源 github.com/LianjiaTech/
BELLE-on-Open-Datasets 链家科技 开源 github.com/LianjiaTech/
belle-llama-13b-2m 链家科技 开源 github.com/LianjiaTech/
belle-llama-13b-ext 链家科技 开源 github.com/LianjiaTech/
Ziya-LLaMA-13B-v1 IDEA研究院 开源 mp.weixin.qq.com/s/IeXg
guanaco-7b JosephusCheung 开源 huggingface.co/Josephus
phoenix-inst-chat-7b 港中文 开源 github.com/FreedomIntel
linly-chatflow-13b 深圳大学 开源 github.com/CVI-SZU/Linl
MOSS-003-SFT 复旦大学 开源 github.com/OpenLMLab/MO
AquilaChat-7B 智源研究院 开源 github.com/FlagAI-Open/

排行榜

1 综合能力排行榜

综合能力得分为分类能力、信息抽取能力、阅读理解能力三者得分的平均值。

2 分类能力排行榜

3 信息抽取能力排行榜

4 阅读理解能力排行榜

4.1 表格问答排行榜（阅读理解细分能力）

表格问答作为阅读理解细分能力，单独列出，但不计入综合能力评分。 专门考查大模型对表格的理解分析能力，常用于数据分析。

各项能力评分

评分方法：从各个维度给大模型打分，每个维度都对应一个评测数据集，包含若干道题。 每道题依据大模型回复质量给1~5分，将评测集内所有题的得分累加并归一化为100分制，即作为最终得分。

原始评测数据

见本项目github：

GitHub - jeinlee1991/chinese-llm-benchmark: 中文大模型能力评测榜单：覆盖百度文心一言、chatgpt、阿里通义千问、讯飞星火、belle / chatglm6b 等开源大模型，多维度能力评测。不仅提供能力评分排行榜，也提供所有模型的原始输出结果！​github.com/jeinlee1991/chinese-llm-benchmark

评测样本示例

分类评测样本举例
请分类以下5种水果：香蕉、西瓜、苹果、草莓、葡萄。
将下列单词按词性分类。狗，追，跑，大人，高兴，树
将下列五个词分为两个组别，每个组别都有一个共同点：狗、猫、鸟、鱼、蛇。
给定一组文本，将文本分成正面和负面情感。举例文本:这部电影非常出色，值得推荐。我觉得导演做得很好。这场音乐会真是个灾难，我非常失望。
将以下10个单词分类为动物或植物。树木、狮子、玫瑰、草地、松鼠、猴子、蘑菇、兔子、山羊、香蕉
……
信息抽取评测样本举例
HR: 你好，我是XYZ公司的招聘主管。我很高兴地通知你，你已经通过了我们的初步筛选，并且我们希望邀请你来参加面试。
候选人：非常感谢，我很高兴收到你们的邀请。请问面试的时间和地点是什么时候和哪里呢？
HR: 面试的时间是下周二上午10点，地点是我们公司位于市中心的办公室。你会在面试前收到一封详细的面试通知邮件，里面会包含面试官的名字、面试时间和地址等信息。
候选人：好的，我会准时出席面试的。请问需要我做哪些准备工作呢？
HR: 在面试前，请确保你已经仔细研究了我们公司的业务和文化，并准备好了相关的问题和回答。另外，请务必提前到达面试现场，以便有足够的时间了解我们的公司和环境。
候选人：明白了，我会尽最大努力准备好的。非常感谢你的邀请，期待能有机会加入贵公司。
HR: 很高兴能和你通话，我们也期待着能和你见面。祝你好运，并期待下周能见到你。
基于以上对话，抽取出其中的时间、地点和事件。
给定以下文本段落，提取其中的关键信息。今天早上，纽约市长在新闻发布会上宣布了新的计划，旨在减少治安问题。该计划包括增加派遣警察的人数，以及启动社区倡议，以提高居民对警察工作的支持度。
在给定的短文中找出三个关键词。西方的哲学历史可上溯至古希腊时期，最重要的哲学流派包括柏拉图学派、亚里士多德学派和斯多葛学派。
从以下诗句中提取人物名称：两个黄鹂鸣翠柳，一行白鹭上青天。
明天天气怎么样？广州明天最冷多少度？广东大后天最暖多少度？北京冷不冷？提取出上述句子中的地理位置实体
……
阅读理解评测样本举例
牙医：好的，让我们看看你的牙齿。从你的描述和我们的检查结果来看，你可能有一些牙齦疾病，导致牙齿的神经受到刺激，引起了敏感。此外，这些黑色斑点可能是蛀牙。病人：哦，真的吗？那我该怎么办？牙医：别担心，我们可以为你制定一个治疗计划。我们需要首先治疗牙龈疾病，然后清除蛀牙并填充牙洞。在此过程中，我们将确保您感到舒适，并使用先进的技术和材料来实现最佳效果。病人：好的，谢谢您，医生。那么我什么时候可以开始治疗？牙医：让我们为您安排一个约会。您的治疗将在两天后开始。在此期间，请继续刷牙，使用牙线，并避免吃过于甜腻和酸性的食物和饮料。病人：好的，我会的。再次感谢您，医生。牙医：不用谢，我们会尽最大的努力帮助您恢复健康的牙齿。基于以上对话回答：病人在检查中发现的牙齿问题有哪些？
文化艺术报讯 国务院办公厅发布关于2023年部分节假日安排的通知，具体内容如下：元旦：2022年12月31日至2023年1月2日放假调休，共3天。春节：1月21日至27日放假调休，共7天。1月28日（星期六）、1月29日（星期日）上班。清明节：4月5日放假，共1天。劳动节：4月29日至5月3日放假调休，共5天。4月23日（星期日）、5月6日（星期六）上班。端午节：6月22日至24日放假调休，共3天。6月25日（星期日）上班。中秋节、国庆节：9月29日至10月6日放假调休，共8天。10月7日（星期六）、10月8日（星期日）上班。基于以上信息回答：2023年五一假期怎么放假。
基于以下表格，请问张三的考勤情况员工姓名,日期,上班时间,下班时间,是否迟到,是否早退,是否请假张三,1月1日,8:30,17:30,否,否,否李四,1月1日,9:00,18:00,是,否,否王五,1月1日,8:00,16:30,否,是,否赵六,1月1日,8:30,17:00,否,否,是张三,1月2日,8:00,17:00,否,否,否李四,1月2日,8:30,17:30,否,否,否王五,1月2日,9:00,18:00,是,否,否赵六,1月2日,8:30,17:00,否,否,是
对于给定的问答对，判断问题是否被正确回答问题：地球是第几颗行星？答案：地球是第三颗行星。
根据以下文本回答问题：什么是能量守恒定律？物理学是自然科学的一个重要分支，研究自然界的物质、能量、空间和时间等基本概念。在物理学的研究中，科学家们探索了宇宙的奥秘，从微观粒子到宏观天体的各个方面都进行了深入研究。在物理学中，一个重要的概念是能量守恒定律。能量守恒定律指出，一个孤立系统的总能量在任何时间都是不变的。也就是说，能量不能被创造或摧毁，只能被转化成其他形式。例如，当一个物体被提起并释放时，它的势能被转化为动能，使得物体开始运动。
……

大模型输出结果示例

prompt输入 chatgpt3.5输出
将下列单词按词性分类。狗，追，跑，大人，高兴，树 好的，以下是这些单词按照词性分类后的结果：名词：狗、大人、树动词：追、跑形容词：高兴
从以下诗句中提取人物名称：两个黄鹂鸣翠柳，一行白鹭上青天。 这句诗出自唐代诗人杜甫的《绝句》，并没有明确提到人物名称。这句诗主要是在描绘自然景色，通过形象生动的语言来表现春天的美丽景象。诗中提到“两个黄鹂”，“一行白鹭”，他们是动物而非人物名称。黄鹂是一种鸟类，它们身体鲜黄色，嘴巴呈钩形，叫声清脆悦耳；白鹭是另一种水鸟，身体白色，嘴巴细长，善于捕捉鱼类等。杨婉这句诗意境深远，很好地表现了大自然的美丽和神奇。
…… ……

为什么做榜单？

  • 大模型百花齐放，也参差不齐。不少媒体的宣传往往夸大其词，避重就轻，容易混淆视听；而某些公司为了PR，也过分标榜自己大模型的能力，动不动就“达到chatgpt水平”，动不动就“国内第一”。 所谓“外行看热闹，内行看门道”，业界急需一股气流，摒弃浮躁，静下心来打磨前沿技术，真真正正用技术实力说话。这就少不了一个公开、公正、公平的大模型评测系统，把各类大模型的优点、不足一一展示出来。 如此，大家既能把握当下的发展水平、与国外顶尖技术的差距，也能更加清晰地看明白未来的努力方向，而不被资本热潮、舆论热潮所裹挟。
  • 对于产业界来说，特别是对于不具备大模型研发能力的公司，熟悉大模型的技术边界、高效有针对性地做大模型技术选型，在现如今显得尤为重要。 而一个公开、公正、公平的大模型评测系统，恰好能够提供应有的助力，避免重复造轮子，避免因技术栈不同而导致不必要的争论，避免“鸡同鸭讲”。
  • 对于大模型研发人员，包括对大模型技术感兴趣的人、学术界看中实践的人，各类大模型的效果对比，反应出了背后不同技术路线、技术方法的有效性，这就提供了非常好的参考意义。 不同大模型的相互参考、借鉴，帮忙大家躲过不必要的坑、避免重复实验带来的资源浪费，有助于整个大模型生态圈的良性高效发展。

如果你想要了解关于智能工具类的内容，可以查看 智汇宝库，这是一个提供智能工具的网站。
在这你可以找到各种智能工具的相关信息，了解智能工具的用法以及最新动态。

ChatGPT Prompt提示词课程（斯坦福吴恩达 | OpenAl）指南篇 极简笔记百川智能正式发布130亿参数通用大语言模型百川大模型（Baichuan-13B-Base）