国内“千模大战”下,谁是最聪明的大模型?《麻省理工科技评论》中国最新发布的大模型评测报告给出了答案。
报告显示,在8个一级大类的600道题目的测试和盲评中,讯飞星火认知大模型V2.0在6个大类中得分率排名第一,在此次评测中表现突出,以 81.5 分(百分制计)的成绩在本次评测中登顶,荣获“最聪明”的国产大模型称号。
【资料图】
图:大模型评测综合得分率
图:4个大模型各项能力雷达图
《麻省理工科技评论》中国从研发和商业化能力、外界态度以及发展趋势等维度全方位检测大模型的能力,力图评出“最聪明”的国产大模型。选取了“讯飞星火”、“百度文心一言”、“商汤商量”、“阿里通义千问”作为中文大模型平台的代表,展开系统、科学的评测。
本次评测使用的测试集包含600道题目,覆盖了语言专项、数学专项、理科综合、文科综合、逻辑思维、编程能力、综合知识、安全性共 8 个一级大类,126 个二级分类,290 个三级标签,并针对问题的丰富性和多样性做了优化。
在题目类型上,为了兼顾定量、定性的评价与测试,设置了“单选”、“多选”、“填空”、“简答”4个题型,分别有 145 道、138 道、136 道和 181 道。大模型评测体系使用盲评方式,客观评估国产大模型的聪明程度。
作为“最聪明”的大模型的基础能力,语言专项评测包含对话理解、多语种、讽刺、古诗词理解、文本生成、要点总结、情感分析、语义判断等 61 个二级分类,题型则以简答为主。结果显示,讯飞星火 85.73%的得分率排名第一,明显高于平均值。
图:语言专项评测得分率
数学专项评测,是“最聪明”大模型必不可少的评测维度。本次评测包含代数、几何、解方程、复杂数学、统计学等 9 个二级分类,以选择题为主。
其中,讯飞星火以 77.75% 的得分率名列第一,远高于平均得分率 56%,其他平台得分率基本相当。报告称,在大模型普遍“数学不好”的情况下,讯飞星火这一成绩颇为难得,其在数学专项上的领先同样体现在二级分类的评分结果上,在 77.8%的二级分类中得分率第一,远超其他平台,初步判断其擅长几何与情景应用。
图:数学专项评测得分率
作为体现大模型“聪明程度”不可或缺的“硬核”部分,理科综合评测包含表格问答、化学、生物、物理、医学 5 个二级分类,题型上以单选和简答为主。
评测结果中,讯飞星火 78.50% 的得分率排名第一。另外,讯飞星火在理科综合大类下 80% 的二级分类评测中得分率为第一,化学与生物较为突出。
图:理科综合评测得分率
逻辑思维也是“最聪明”大模型的重要体现,本次逻辑思维评测在逻辑推理、思维链等方面设计了较多的题目,包含类比、常识推理、空间方位、演绎推理、逻辑谬误检测、因果推理等 19 个二级分类,题型上相对平均,其中填空题最多,多选题最少。
在逻辑思维题目中,讯飞星火 81.25%的得分率名列第一,明显高于 72.6% 的平均值。此外,讯飞星火在逻辑思维 63.2% 的二级分类问题上得分率第一。逻辑思维对于大模型真正理解物理世界相当重要。
图:逻辑思维评测得分率
编程能力是大模型比较高阶的能力,本次的编程能力评测包含 ASCII、ASCII码识别、Python、代码、代码修正、计算机 6 个二级分类,其中 Python 主要以简答形式评估大模型的代码生成能力和正确率,其他则以客观题的形式考察。
结果显示,讯飞星火 80% 的得分率明显高于 71%的平均值,其他平台得分率基本相当。值得一提的是,在许多人关心的生成代码的简答题单项上,讯飞星火的得分率高达 82%,远高于其他平台,表现颇为亮眼。
图:编程能力评测综合得分率
作为比较难的评测维度,综合知识对大模型的“聪明”程度要求也很高,涉及的题目较杂,包含百科问答、常识、科学知识、事实问答、工作技巧、谜语等 13 个二级分类,题型以多选为主。
在综合知识评测上,讯飞星火 80.61% 的得分率排名第一,在 84.6% 的二级分类上得分率第一,初步显示出在百科问答和历史人文上的“过人之处”。
图:综合知识评测得分率
报告指出,在本轮大模型评测中,讯飞星火以 81.5 分的成绩拔得头筹,成为“最聪明”的国产大模型。
讯飞星火在编程能力、理科综合、逻辑思维、数学专项、语言专项和综合知识这 6 个一级大类中得分率排名第一,在此次评测中表现十分全面,尤其是在代码生成、数学能力、理科与逻辑等方面优势明显,是本次“最聪明的理科生”。
值得一提的是,从题型角度来看,主观简答题中讯飞星火凭借 83.98% 的得分率位居第一;而在客观题上,讯飞星火以 75.7% 的得分率排名第一,在主客观体型中均有良好表现。
此外,就在8月12日,新华社研究院中国企业发展研究中心发布的《人工智能大模型体验报告2.0》中,讯飞星火V1.5以总分1013分位列本次国产主流大模型测评榜首位,在四大评测维度中的智商指数和工具提效指数两个维度获得第一,《报告》认为讯飞星火“在工作提效方面优势明显”。
在刚刚过去的8月15日,讯飞星火认知大模型V2.0如期发布,进一步突破代码能力和多模态能力。技术获得重大突破的同时,搭载讯飞星火V2.0核心能力的应用和产品也越来越丰富:既有辅助程序员高效工作的智能编码助手iFlyCode1.0、能够进行视频创作的讯飞智作2.0、能够便捷搭建轻应用的教育数字基座应用开发助手,还有帮助教师设计教学活动、一键生成课件的星火教师助手、面向英语学习者口语练习的星火语伴2.0,讯飞AI学习机也升级AI 1对1智能编程助手和AI 1对1创意绘画伙伴。此外,科大讯飞还和华为联合发布星火一体机,让每一家企业都有机会构建专属大模型。
标签:
上一篇:菲仕兰新任CEO首次访华,对中国市场仍有很大期待!
下一篇:最后一页
凡本网注明“XXX(非现代青年网)提供”的作品,均转载自其它媒体,转载目的在于传递更多信息,并不代表本网赞同其观点和其真实性负责。
原标题:国家级非遗“平遥推光漆器髹饰技艺”被立法保护中新网太原8月1
2023-08-17 16:58
原标题:《GT赛车:极速狂飙》将于9月1日在全国影院上映中新网北京8月1
2023-08-17 16:00
原标题:7天展演20场,第十三届“桃李杯”在京收官中新网北京8月17日电
2023-08-17 15:59
原标题:【寻味中华|戏曲】演绎莫里哀喜剧京剧舞台中西融会开“洋腔”
2023-08-17 16:04
原标题:2023年央视中秋晚会将在宜宾举办华西都市报讯(记者伍雪梅伍勇
2023-08-17 16:00
原标题:湖北竹溪:创新保护楚长城千年遗产焕生机中新网十堰8月17日电(
2023-08-17 16:04
原标题:三毛漫画系列主题展在金山枫泾丁聪美术馆开展(引题)54幅手稿
2023-08-17 15:00
原标题:《全员加速中》时隔七年回归,《乐队的夏天》“卷土重来”(引
2023-08-17 15:01
原标题:感受非遗文化的精彩(引题)七夕去珠村体验“摆七娘”(主题)
2023-08-17 14:54
原标题:享受音乐盛宴!广州地铁“拾光音乐厅”上线磨碟沙站羊城晚报讯
2023-08-17 14:52
原标题:《巨齿鲨2:深渊》:致敬勇于向未知进发的海洋探索者工人日报-
2023-08-17 14:01
原标题:天津交响乐团携新作亮相哈尔滨大剧院(引题)巍巍《长城》惊艳
2023-08-17 13:55
原标题:非遗传承人李秋生为读者古钟表“开药方”(引题)让停摆老钟表
2023-08-17 13:58
原标题:人气高涨!经典与国学共话传承(主题)主会场开幕首日就有约六
2023-08-17 14:02
原标题:诗词的灵魂在于爱的能力(主题)——复旦大学教授骆玉明畅谈中
2023-08-17 13:53
原标题:《孤注一掷》热映导演申奥接受采访(引题)人性的弱点是创作这
2023-08-17 12:00
原标题:首次亮相国家话剧院“大师讲堂”谈及表演生活、角色塑造(引题
2023-08-17 12:06
原标题:《浴血瑞京》沉浸式体验红色文化8月14日晚,江西省瑞金市沙洲
2023-08-17 11:54
原标题:全国文献缩微事业不断壮大中国文化报记者王彬累计完成珍贵文献
2023-08-17 11:05
原标题:位于江西省高安市的元青花博物馆——(引题)小城青花瓷韵长(
2023-08-17 09:55
原标题:47个项目纳入“新时代文学攀登计划”人民日报北京8月16日电(
2023-08-17 10:00
原标题:“北京丫丫”成长三部曲:现实题材儿童剧诗意化表达的探索中国
2023-08-17 09:58
原标题:热搜第一!热映电影发文道歉8月16日晚,电影长安三万里官方微
2023-08-17 10:07
原标题:第十三届“桃李杯”收官16日,第十三届“桃李杯”全国青少年舞
2023-08-17 09:56
原标题:62件敦煌主题作品亮相中国美术馆北京日报讯(记者王广燕)少年
2023-08-17 08:53