《麻省理工科技评论》中国最新发布的大模型评测报告显示，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分的成绩在本次评测中登顶，荣获“最聪明”的国产大模型称号。
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”等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。
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。
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。
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。
深度评测
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。
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”。
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，成为国产大模型的第一名。
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。
郑重声明：此文内容为本网站转载企业宣传资讯，目的在于传播更多信息，与本站立场无关。仅供读者参考，并请自行核实相关内容。
标签：
