5月9日中文通用大模型綜合性評測基準(zhǔn)SuperCLUE正式發(fā)布。經(jīng)過一天時間的發(fā)酵，論壇上對該評測標(biāo)準(zhǔn)質(zhì)疑的聲音越發(fā)多了，這是為什么？大模型評測標(biāo)準(zhǔn)設(shè)立的難度又在哪里？

(資料圖片)

中文評測標(biāo)準(zhǔn)為何重要？

科大訊飛董事長劉慶峰認為：如果要努力追趕OpenAI的進度，需要一套科學(xué)系統(tǒng)的評測體系；用這一套科學(xué)系統(tǒng)，來判定技術(shù)迭代到底到了什么程度，還有哪些任務(wù)是不達標(biāo)的。

市場看重中文大模型評測標(biāo)準(zhǔn)主要基于三方面考慮因素。

第一、數(shù)據(jù)集的差異性。中文和英文的文本數(shù)據(jù)集在種類、規(guī)模、質(zhì)量等方面存在很大的差異，需要針對中文特點開發(fā)相應(yīng)的數(shù)據(jù)集，以確保評測結(jié)果的準(zhǔn)確性和公正性。

第二、語言結(jié)構(gòu)和語法的差異。例如中文是一種“主謂賓”結(jié)構(gòu)的語言，而英文則是“主語動詞賓語”結(jié)構(gòu)的語言。這些差異導(dǎo)致了中英文之間在語言處理任務(wù)上存在很大的區(qū)別，需要不同的評測標(biāo)準(zhǔn)和方法。

第三、中文詞匯量和歧義性。中文的詞匯量非常大，而且存在很多歧義性，需要更復(fù)雜的處理方法和技術(shù)，如分詞、詞性標(biāo)注、命名實體識別等。

華爾街見聞·見智研究認為：中文大模型評測標(biāo)準(zhǔn)的重要性在于它可以幫助廠商相對客觀地評估模型的質(zhì)量和性能，比較不同模型的性能和差異。更重要的是標(biāo)準(zhǔn)化的評估方法和數(shù)據(jù)集能夠為開發(fā)者提供很好的方向，促進模型迭代速度。

此前，IDC發(fā)布的大模型評測標(biāo)準(zhǔn)，從三個維度（產(chǎn)品能力、應(yīng)用能力和生態(tài)能力）、6個一級指標(biāo)和11個二級指標(biāo)來評估中國大模型的能力。

并且給出結(jié)論：文心大模型在產(chǎn)品力和生態(tài)能力上都超過平均分水平。但是由于評測方法沒有完全公開，貌似并沒有被市場所完全認可。

所以，在大模型層出不窮的當(dāng)下，市場上非常需要對模型的評估方法和一致性標(biāo)準(zhǔn)。

但從當(dāng)下來看，這貌似又是一個在短期內(nèi)非常難以兌現(xiàn)的預(yù)期。

中文大模型評測標(biāo)準(zhǔn)化很難，SuperCLUE被吐槽選擇題方式單一

剛剛發(fā)布的文通用大模型基準(zhǔn)（SuperCLUE），是針對中文可用的通用大模型的一個測評基準(zhǔn)。它主要回答的問題是：在當(dāng)前通用大模型大力發(fā)展的情況下，中文大模型的效果情況。

SuperCLUE從三個不同的維度評價模型的能力：基礎(chǔ)能力、專業(yè)能力和中文特性能力。

基礎(chǔ)能力：包括了常見的有代表性的模型能力，如語義理解、對話、邏輯推理、角色模擬、代碼、生成與創(chuàng)作等10項能力。
專業(yè)能力：包括了中學(xué)、大學(xué)與專業(yè)考試，涵蓋了從數(shù)學(xué)、物理、地理到社會科學(xué)等50多項能力。
中文特性能力：針對有中文特點的任務(wù)，包括了中文成語、詩歌、文學(xué)、字形等10項多種能力。

以SuperCLUE測試結(jié)果來看，文心一言的評測結(jié)果遠不如星火大模型；

而以另一種比較火的評測標(biāo)準(zhǔn)是JioNLP，該評測是由中國科學(xué)院計算技術(shù)研究所自然語言處理與社會人文計算實驗室（簡稱“計算所NLP”）開發(fā)和維護的。

JioNLP評測還提供了多種評測指標(biāo)和計算工具，以幫助研究者和開發(fā)者客觀地評估模型的性能和效果，并比較不同模型的優(yōu)缺點和適用范圍。

JioNLP評測方式目前的總下載量達到2.4萬次，近三十天下載量為1634次。

通過JioNLP評測，研究者和開發(fā)者可以獲取實時的評測結(jié)果和排名，以及相應(yīng)的源代碼和技術(shù)報告，為中文自然語言處理的研究和應(yīng)用提供參考和支持。

從JioNLP評測的結(jié)果來看：文心一言的得分卻又高于星火大模型。

這背后的原因是兩種評測的方法的設(shè)置有很大的差異性。

SuperCLUE是只通過選擇題對模型能力進行測試，而JioNLP采用的是客觀選擇題+主觀題（生成題、翻譯題和聊天題）進行測試。

但相同的是，在官網(wǎng)留言區(qū)對于兩個測試標(biāo)準(zhǔn)都出現(xiàn)很多質(zhì)疑聲音。

如：對SuperCLUE評測方法如何限定測試題目數(shù)量，生成和創(chuàng)作類評測用選擇題測試是否合理，以及建議SuperCLUE像中文Alpaca一樣適度公開評測說明和標(biāo)準(zhǔn)。JioNLP也同樣存在測試精度、樣本量小等問題。

見智研究認為：當(dāng)下對大模型的評估方法和指標(biāo)還沒有形成共識、更沒有統(tǒng)一的標(biāo)準(zhǔn)出現(xiàn)，特別是對于不同場景和任務(wù)可能有不同的評價體系和需求出現(xiàn)。

常用的機器學(xué)習(xí)模型評估標(biāo)準(zhǔn)有7個比較重要的方向：