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(shí)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(rèn)為：如果要努力追趕OpenAI的進(jìn)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(dá)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(diǎn)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(dòng)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(shí)體識(shí)別等。

華爾街見聞·見智研究認(rèn)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?yàn)殚_發(fā)者提供很好的方向，促進(jìn)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(gè)維度（產(chǎn)品能力、應(yīng)用能力和生態(tài)能力）、6個(gè)一級指標(biāo)和11個(gè)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(rèn)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(gè)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(gè)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(gè)不同的維度評價(jià)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(xiàng)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(huì)科學(xué)等50多項(xiàng)能力。

中文特性能力：針對有中文特點(diǎn)的任務(wù)，包括了中文成語、詩歌、文學(xué)、字形等10項(xiàng)多種能力。

以SuperCLUE測試結(jié)果來看，文心一言的評測結(jié)果遠(yuǎn)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(jì)算技術(shù)研究所自然語言處理與社會(huì)人文計(jì)算實(shí)驗(yàn)室（簡稱“計(jì)算所NLP”）開發(fā)和維護(hù)的。

JioNLP評測還提供了多種評測指標(biāo)和計(jì)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(diǎn)和適用范圍。

JioNLP評測方式目前的總下載量達(dá)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(shí)時(shí)的評測結(jié)果和排名，以及相應(yīng)的源代碼和技術(shù)報(bào)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(jìn)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(jìn)行測試。

但相同的是，在官網(wǎng)留言區(qū)對于兩個(gè)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(rèn)為：當(dāng)下對大模型的評估方法和指標(biāo)還沒有形成共識(shí)、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(jià)體系和需求出現(xiàn)。

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

包括準(zhǔn)確度（針對分類能力）、精確度和召回率（模型正確預(yù)測的內(nèi)容占該樣本的比例）、對抗攻擊魯棒性（模型在受到輸入干擾時(shí)保持穩(wěn)定的能力）、計(jì)算效率、均方誤差、R方值以及數(shù)據(jù)隱私。

從當(dāng)下來看，SuperCLUE的評測方式單一性確實(shí)存在一定的弊端，但是該模型采用的人工評價(jià)的精度也曾被市場認(rèn)可確實(shí)在精度和靈活度上面高于系統(tǒng)的自動(dòng)評價(jià)方法。

總的來說，大模型測試標(biāo)準(zhǔn)化是行業(yè)所需要的，但同樣也是非常難實(shí)現(xiàn)的。

風(fēng)險(xiǎn)提示及免責(zé)條款 市場有風(fēng)險(xiǎn)，投資需謹(jǐn)慎。本文不構(gòu)成個(gè)人投資建議，也未考慮到個(gè)別用戶特殊的投資目標(biāo)、財(cái)務(wù)狀況或需要。用戶應(yīng)考慮本文中的任何意見、觀點(diǎn)或結(jié)論是否符合其特定狀況。據(jù)此投資，責(zé)任自負(fù)。

關(guān)鍵詞：