FlagEval大語(yǔ)言模型評(píng)測(cè)9月榜：Baichuan 2排名第一

　　9月19日消息，繼SuperCLUE中文大模型評(píng)測(cè)基準(zhǔn)8月榜單發(fā)布之后，國(guó)內(nèi)又一權(quán)威評(píng)測(cè)體系FlagEval(天秤)公布最新9月榜單評(píng)測(cè)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(píng)測(cè)體系及開(kāi)放平臺(tái)，旨在建立科學(xué)、公正、開(kāi)放的評(píng)測(cè)基準(zhǔn)、方法、工具集，協(xié)助研究人員全方位評(píng)估基礎(chǔ)模型及訓(xùn)練算法的性能。FlagEval 大語(yǔ)言模型評(píng)測(cè)體系當(dāng)前包含6大評(píng)測(cè)任務(wù)，近30個(gè)評(píng)測(cè)數(shù)據(jù)集，超10萬(wàn)道評(píng)測(cè)題目。

　　據(jù)悉，在9月評(píng)測(cè)中，F(xiàn)lagEval進(jìn)行了評(píng)測(cè)框架升級(jí)，細(xì)化「安全與價(jià)值觀」與「推理能力」。依據(jù)最新版的能力框架，F(xiàn)lagEval 團(tuán)隊(duì)同步更新了智源自建的 Chinese Linguistics & Cognition Challenge (CLCC) 主觀評(píng)測(cè)數(shù)據(jù)集題庫(kù)v2.0，題目數(shù)量擴(kuò)充3倍，采用“多人‘背靠背’評(píng)測(cè)+第三方仲裁”的方式保證評(píng)測(cè)結(jié)果的一致性。

　　基于最新 CLCC v2.0主觀評(píng)測(cè)數(shù)據(jù)集，F(xiàn)lagEval(天秤)9月榜重點(diǎn)評(píng)測(cè)了近期大熱的 7 個(gè)開(kāi)源對(duì)話(huà)模型。從整體結(jié)果來(lái)看，Baichuan2-13b-chat、Qwen-7b-chat、Baichuan2-7b-chat名列前茅，準(zhǔn)確率均超過(guò) 65%。

　　在基座模型榜單中，Baichuan 2、Qwen、InternLM、Aquila 的客觀評(píng)測(cè)結(jié)果表現(xiàn)均超越同參數(shù)量級(jí)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(píng)測(cè)兩個(gè)榜單中，Baichuan 2均表現(xiàn)出優(yōu)異性能，基礎(chǔ)模型測(cè)試在中英文領(lǐng)域均全面超越Llama2。