著名大模型评测榜单（不同评测方式）

在评估大语言模型的性能时，一种主流的途径就是选择不同的能力维度并且构建对应的评测任务，进而使用这些能力维度的评测任务对模型的性能进行测试与对比。由大型机构或者研究院所排出榜单。

评测指标

不同评测任务有不同的评指标，衡量模型的能力，也需要使用不同的评测方法。常见评测指标如下：

评测方法

根据评测方式及指标的不同，就需要不同评测方法。例如在偏高和排序类任务中，衡量的使用模型在候选者中的相对水平，模型之间做比较，那么就需要人类参与，真人评估。因此针对上述能力维度的评估方法可以分为三种方式：

• 基于评测基准评估
• 基于人类评估
• 基于模型评估

评测方法以及典型评测工作

这三种评测方法都有知名的评测榜单。

评测需要考核题目也就是数据集。有面向知识的评测数据集如MMLU、C-Eval侧重于评估大语言模型对现实世界知识的理解和应用；有面向推理的评测数据集如GSM8K、BBH和MATH考察模型在解决复杂推理问题时的表现。此外，一些综合评测体系如OpenCompass平台尝试将这两类评测任务相结合，更全面地评估大语言模型的综合能力。数据集详细介绍可查看大模型评测方法（三）_知识库大模型测试集