中文通用大模型基准测试发布，中文大模型在不同任务上的表现如何？
2023-05-11 阅读 90
总体来看，基准测试显示：在中文理解与生成类任务（阅读理解、问答、摘要、翻译）上多数大模型能给出流畅且可用的答案，但事实性和细节准确率还不稳定，容易出现偏差或编造；在复杂逻辑推理、多步数学题、抽象常识推断上普遍较弱，出错率高；代码生成和专业领域表现差异大，受模型规模与训练数据影响明显；长上下文保持、一致性与对抗鲁棒性仍是薄弱环节。总体趋势是规模更大、训练与指令调优更充分的模型在大多数任务上表现更好。
更新于 2025年12月05日
