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-CSDN博客

基于评测基准评估

评估方式

在进行基准评估时，首先将每个评测任务的具体样本转化为模型可以理解的提示语，引导模型生成相应的结果文本。然后，利用编写好的规则或自动化脚本对生成的结果文本进行解析和处理，以提 取出模型针对每个问题的预测答案。最后，将预测答案与真实答案进行对比，并借助准确率等定量指标来评估模型的性能。

评估榜单

https://huggingface.co/spaces/open-llm-leaderboard/open_llm_leaderboard

基于人类评估

评估方式

这类评测任务通常采用开放式指令或对话形式，并邀请人类评估员对模型 生成的回复进行质量评估。评估员的评分方法主要有两种：成对比较法和单一评分法。

成对比较法

在成对比较法中，评估员从两个不同模型生成的答案中选择更优的一个。Chatbot Arena项目搭建了一个众包平台，允许用户与两个匿名的聊天大语言模型进行对话，通过根据成对的比较结果来计算不同模型的Elo评分。

单一评分法

在单一评分法中，评估员则独立地对每个模型的回复进行打分，最后得到每个模型的平均得分。HELM综合评测体系让评估员对摘要和虚假信息任务进行直接打分。

评估榜单

Chatbot Arena   

Holistic Evaluation of Language Models (HELM) 

基于模型评估

评估方式

考虑到人工评测的成本高昂且耗时较长，一些研究工作使用强大的闭源大语言模型如ChatGPT来替代人类评估员，对大模型的输出进行自动评分或比较。

AlpacaEval排行榜基于由大语言模型合成的人类需求指令作为评测任务，然后收集待评估大模型的回应，并采用GPT-4等大语言模型作为评测员，将待评估大语言模型的输出与参考输出进 行成对比较。此榜单更新较慢。

评估榜单

AlpacaEval Leaderboard

上述三种评测方式有对应的榜单，实际评测过程中可能会将三种方法结合起来使用，以更快的达成评测目的，如FlagEval等平台。