2024年12月19日，智源研究院發(fā)布并解讀國內(nèi)外100余個(gè)開源和商業(yè)閉源的語言、視覺語言、文生圖、文生視頻、語音語言大模型綜合及專項(xiàng)評(píng)測結(jié)果。

相較于今年5月的模型能力全方位評(píng)估，本次智源評(píng)測擴(kuò)展、豐富、細(xì)化了任務(wù)解決能力內(nèi)涵，新增了數(shù)據(jù)處理、高級(jí)編程和工具調(diào)用的相關(guān)能力與任務(wù)；首次增加了面向真實(shí)金融量化交易場景的應(yīng)用能力評(píng)估，測量大模型的收益優(yōu)化和性能優(yōu)化等能力；首次探索基于模型辯論的對比評(píng)估方式，對模型的邏輯推理、觀點(diǎn)理解、語言表達(dá)等核心能力進(jìn)行深入分析。

智源評(píng)測發(fā)現(xiàn)，2024年下半年大模型發(fā)展更聚焦綜合能力提升與實(shí)際應(yīng)用。多模態(tài)模型發(fā)展迅速，涌現(xiàn)了不少新的廠商與新模型，語言模型發(fā)展相對放緩。模型開源生態(tài)中，除了持續(xù)堅(jiān)定開源的海內(nèi)外機(jī)構(gòu)，還出現(xiàn)了新的開源貢獻(xiàn)者。

多種模態(tài)評(píng)測綜合榜單 覆蓋文本、語音、圖片、視頻理解與生成

語言模型，針對一般中文場景的開放式問答或者生成任務(wù)，模型能力已趨于飽和穩(wěn)定，但是復(fù)雜場景任務(wù)的表現(xiàn)，國內(nèi)頭部語言模型仍然與國際一流水平存在顯著差距。

語言模型主觀評(píng)測重點(diǎn)考察模型中文能力，結(jié)果顯示字節(jié)跳動(dòng)Doubao-pro-32k-preview、百度ERNIE 4.0 Turbo位居第一、第二，OpenAI o1-preview-2024-09-12、Anthropic Claude-3-5-sonnet-20241022位列第三、第四，阿里巴巴Qwen-Max-0919排名第五；在語言模型客觀評(píng)測中，OpenAI o1-mini-2024-09-12、Google Gemini-1.5-pro-latest 位列第一、第二，阿里巴巴Qwen-max-0919、字節(jié)跳動(dòng)Doubao-pro-32k-preview位居第三、第四，Meta Llama-3.3-70B-Instruct排名前五。

視覺語言多模態(tài)模型，雖然開源模型架構(gòu)趨同（語言塔+視覺塔），但表現(xiàn)不一，其中較好的開源模型在圖文理解任務(wù)上正在縮小與頭部閉源模型的能力差距，而長尾視覺知識(shí)與文字識(shí)別以及復(fù)雜圖文數(shù)據(jù)分析能力仍有提升空間。評(píng)測結(jié)果顯示，OpenAI GPT-4o-2024-11-20與字節(jié)跳動(dòng)Doubao-Pro-Vision-32k-241028先后領(lǐng)先于Anthropic Claude-3-5-sonnet-20241022，阿里巴巴Qwen2-VL-72B-Instruct和Google Gemini-1.5-Pro緊隨其后。

文生圖多模態(tài)模型，今年上半年參評(píng)的模型普遍無法生成正確的中文文字，但此次參評(píng)的頭部模型已經(jīng)具備中文文字生成能力，但整體普遍存在復(fù)雜場景人物變形的情況，針對常識(shí)或知識(shí)性推理任務(wù)，小于3的數(shù)量關(guān)系任務(wù)表現(xiàn)有所提升，大于3的數(shù)量關(guān)系依然無法處理，涉及中國文化和古詩詞理解的場景對于模型而言是不小的挑戰(zhàn)。評(píng)測結(jié)果顯示，騰訊Hunyuan Image位列第一，字節(jié)跳動(dòng)Doubao image v2.1、Ideogram 2.0分居第二、第三，OpenAI DALL·E 3、快手可圖次之。

文生視頻多模態(tài)模型，畫質(zhì)進(jìn)一步提升，動(dòng)態(tài)性更強(qiáng)，鏡頭語言更豐富，專場更流暢，但普遍存在大幅度動(dòng)作變形，無法理解物理規(guī)律，物體消失、閃現(xiàn)、穿模的情況。評(píng)測結(jié)果顯示，快手可靈1.5（高品質(zhì)）、字節(jié)跳動(dòng)即夢 P2.0 pro、愛詩科技PixVerse V3、MiniMax 海螺AI、Pika 1.5位列前五。

語音語言模型，得益于文本大模型的進(jìn)步，能力提升巨大，覆蓋面更全，但在具體任務(wù)上與專家模型還存在一定差距，整體而言，性能好、通用能力強(qiáng)的開源語音語言模型偏少。專項(xiàng)評(píng)測結(jié)果顯示，阿里巴巴Qwen2-Audio位居第一，香港中文大學(xué)&微軟WavLLM、清華大學(xué)&字節(jié)跳動(dòng)Salmon位列第二、第三，Nvidia Audio-Flamingo，MIT & IBM LTU均進(jìn)入前五。

四大專項(xiàng)評(píng)測榜單 多維度探索模型能力邊界與應(yīng)用潛能

本次評(píng)測，智源研究院再次聯(lián)合與海淀區(qū)教師進(jìn)修學(xué)校新編了K12全學(xué)段、多學(xué)科試卷，進(jìn)一步考察大模型與人類學(xué)生的能力差異，其中，答案不唯一的主觀題依然由海淀教師親自評(píng)卷。得益于多模態(tài)能力的帶動(dòng)發(fā)展，模型本次K12學(xué)科測驗(yàn)綜合得分相較于半年前提升了12.86%，但是仍與海淀學(xué)生平均水平存在差距；在英語和歷史文科試題的表現(xiàn)上，已有模型超越了人類考生的平均分；模型普遍存在“文強(qiáng)理弱”的偏科情況。

FlagEval大模型角斗場，是智源研究院今年9月推出的面向用戶開放的模型對戰(zhàn)評(píng)測服務(wù)，以反映用戶對模型的偏好。目前，F(xiàn)lagEval覆蓋國內(nèi)外約50款大模型，支持語言問答、多模態(tài)圖文理解、文生圖、文生視頻四大任務(wù)的自定義在線或離線盲測。此次評(píng)測，共有29個(gè)語言模型、16個(gè)圖文問答多模態(tài)模型、7個(gè)文生圖模型、14個(gè)文生視頻模型參評(píng)。評(píng)測發(fā)現(xiàn)，用戶對模型的響應(yīng)時(shí)間有更高要求，對模型輸出的內(nèi)容傾向于更結(jié)構(gòu)化、標(biāo)準(zhǔn)化的格式。

作為模型對戰(zhàn)評(píng)測服務(wù)FlagEval大模型角斗場的延展，今年10月智源研究院推出了模型辯論平臺(tái)FlagEval Debate，對模型的邏輯推理、觀點(diǎn)理解以及語言表達(dá)等核心能力進(jìn)行深入評(píng)估，以甄別語言模型的能力差異。本次評(píng)測發(fā)現(xiàn)，大模型普遍缺乏辯論框架意識(shí)，不具備對辯題以整體邏輯進(jìn)行綜合闡述；大模型在辯論中依然存在“幻覺問題”，論據(jù)經(jīng)不起推敲；大模型更擅長反駁，各個(gè)模型表現(xiàn)突出的辯論維度趨同，在不同的辯題中，模型表現(xiàn)差距顯著。FlagEval Debate評(píng)測結(jié)果表明，Anthropic Claude-3-5-sonnet-20241022、零一萬物Yi-Lighting、OpenAI o1-preview-2024-09-12為前三名。

此次評(píng)測，智源研究院探索了基于實(shí)際應(yīng)用場景的全新方法，通過評(píng)測模型的量化代碼實(shí)現(xiàn)能力，探索模型在金融量化交易領(lǐng)域的潛在應(yīng)用能力和商業(yè)價(jià)值。評(píng)測發(fā)現(xiàn)，大模型已經(jīng)具備生成有回撤收益的策略代碼的能力，能開發(fā)量化交易典型場景里的代碼；在知識(shí)問答方面，模型整體差異較小，整體分?jǐn)?shù)偏高，但在實(shí)際代碼生成任務(wù)上，模型差異較大，整體能力偏弱；頭部模型能力已接近初級(jí)量化交易員的水平。金融量化交易評(píng)測結(jié)果顯示，深度求索 Deepseek-chat，OpenAI GPT-4o-2024-08-06，Google Gemini-1.5-pro-latest位列前三。

智源評(píng)測體系FlagEval再迭代 覆蓋全球800+開閉源模型

本次評(píng)測依托智源研究院自2023年6月上線的大模型評(píng)測平臺(tái)FlagEval，經(jīng)過數(shù)次迭代，目前已覆蓋全球800多個(gè)開閉源模型，包含20多種任務(wù)，90多個(gè)評(píng)測數(shù)據(jù)集，超200萬條評(píng)測題目。

在評(píng)測方法與工具上，智源研究院聯(lián)合全國10余家高校和機(jī)構(gòu)合作共建，探索基于AI的輔助評(píng)測模型 FlagJudge和靈活全面的多模態(tài)評(píng)測框架FlagEvalMM，并構(gòu)建面向大模型新能力的有挑戰(zhàn)的評(píng)測集，包括與北京大學(xué)共建的HalluDial幻覺評(píng)測集、與北師大共建的CMMU多模態(tài)評(píng)測集、多語言跨模態(tài)評(píng)測集MG18、復(fù)雜代碼評(píng)測集TACO以及長視頻理解評(píng)測MLVU等，其中與北京大學(xué)共建的HalluDial是目前全球規(guī)模最大的對話場景下的幻覺評(píng)測集，有18000多個(gè)輪次對話，和14萬多個(gè)回答。

為規(guī)避數(shù)據(jù)集泄露風(fēng)險(xiǎn)以及數(shù)據(jù)集飽和度問題，本次評(píng)測吸納了近期發(fā)布的數(shù)據(jù)集并持續(xù)動(dòng)態(tài)更新評(píng)測數(shù)據(jù)，替換了98%的題目，并提升了題目的難度。

智源研究院副院長兼總工程師林詠華在評(píng)測發(fā)布會(huì)上表示，F(xiàn)lagEval評(píng)測體系一直堅(jiān)守科學(xué)、權(quán)威、公正、開放的準(zhǔn)則，通過技術(shù)方法平臺(tái)持續(xù)創(chuàng)新，打造丈量模型能力的標(biāo)尺，為大模型技術(shù)生態(tài)發(fā)展提供洞察。2025年，F(xiàn)lagEval評(píng)測體系的發(fā)展將進(jìn)一步探索動(dòng)態(tài)評(píng)測與多任務(wù)能力評(píng)估體系，以評(píng)測為標(biāo)尺感知大模型的發(fā)展趨勢。