chinese-llm-benchmark

chinese-llm-benchmark

目前已囊括203个大模型,覆盖chatgpt、gpt-4o、o3-mini、谷歌gemini、Claude3.5、智谱GLM-Zero、文心一言、qwen-max、百川、讯飞星火、商汤senseChat、minimax等商用模型, 以及DeepSeek-R1、qwq-32b、deepseek-v3、qwen2.5、llama3.3、phi-4、glm4、gemma3、mistral、书生internLM2.5等开源大模型。不仅提供能力评分排行榜,也提供所有模型的原始输出结果!

Stars: 3938

Visit
 screenshot

The Chinese LLM Benchmark is a continuous evaluation list of large models in CLiB, covering a wide range of commercial and open-source models from various companies and research institutions. It supports multidimensional evaluation of capabilities including classification, information extraction, reading comprehension, data analysis, Chinese encoding efficiency, and Chinese instruction compliance. The benchmark not only provides capability score rankings but also offers the original output results of all models for interested individuals to score and rank themselves.

README:

CLiB中文大模型能力评测榜单(持续更新)

  • 目前已囊括210个大模型,覆盖chatgpt、gpt-4o、o3-mini、谷歌gemini、Claude3.5、智谱GLM-Zero、文心一言、qwen-max、百川、讯飞星火、商汤senseChat、minimax等商用模型, 以及DeepSeek-R1、qwq-32b、deepseek-v3、qwen2.5、llama3.3、phi-4、glm4、gemma3、mistral、书生internLM2.5等开源大模型。
  • 模型来源涉及国内外大厂、大模型创业公司、高校研究机构。
  • 支持多维度能力评测,包括医疗、教育、金融、法律、行政公务、心理健康、推理与数学计算、语言与指令遵从等8个领域,以及细分的~300个维度(比如牙科、高中语文…)。
  • 不仅提供排行榜,也提供规模超150万的大模型错题本!方便广大社区研究分析、改进大模型。

目录

最近更新

  • [2025/4/5] v3.15版本
    • 金融领域新增多个评测维度,详见link
    • 删除陈旧的模型:abab7-chat-preview、gemini-2.0-flash-exp、gemma-2-9b-it、gemma-2-27b-it、qwen2.5-math-72b-instruct、Mistral-Nemo-Instruct-2407、Llama-3.1-Nemotron-70B-Instruct-fp8
  • [2025/4/3] v3.14版本
    • 重新梳理医学及金融领域的细分评测维度
    • 新增2个模型:hunyuan-t1-20250321、deepseek-chat-v3-0324
  • [2025/3/31] v3.13版本
    • 新增“医学综合考试”排行榜,并计入总分,详见link
  • [2025/3/29] v3.12版本
    • 新增“金融”排行榜,并计入总分,详见link
    • 删除陈旧的模型:Yi-1.5-34B-Chat、Yi-1.5-9B-Chat
  • [2025/3/27] v3.11版本
    • 新增“医学考研”排行榜,并计入总分,详见link
    • “教育”领域所有子任务,剔除过于简单的测试样本,重新计算分数,总分也相应改变
  • [2025/3/25] v3.10版本
    • 新增“高中奥林匹克数学竞赛”排行榜,并计入总分,详见link
    • “推理与数学计算”、“语言与指令遵从”剔除过于简单的测试样本,重新计算分数,总分也相应改变
  • [2025/3/23] v3.9版本
    • 新增“专业知识考试/中医学与中药学”排行榜,并计入总分
    • “律师资格考试”排行榜新增“MMCU法律”子项
    • 新增5个模型:hunyuan-turbos-20250313、gemma-3-1b-it、gemma-3-4b-it、gemma-3-12b-it、ERNIE-4.5-8K-Preview
  • [2025/3/21] 发布v3.8版本评测榜单
    • 新增“专业知识考试/预防医学与公共卫生学”、“心理健康”排行榜,并计入总分
  • [2025/3/19] 发布v3.7版本评测榜单
    • 新增“专业知识考试/临床医学”排行榜(含医学影像学、放射学等22个方向),并计入总分,详见link
    • 高考排行榜新增政治学科,并增加大量考题,更新所有相关分数
  • [2025/3/17] 发布v3.6版本评测榜单
    • 新增“专业知识考试/基础医学”排行榜(含病理生理学、医学心理学等17个方向),并计入总分,详见link
    • 新增2个模型:谷歌gemma-3-27b-it、Mistral-Small-24B-Instruct-2501
  • [2025/3/15] 发布v3.5版本评测榜单
    • 新增“医技考试”排行榜(含医技士-康复医学治疗技术、医技师-肿瘤学技术等22个方向),并计入总分,详见link
  • [2025/3/13] 发布v3.4版本评测榜单
    • 新增“药师考试”排行榜(含执业西药师、执业中药师等8个方向),并计入总分,详见link
  • [2025/3/11] 发布v3.3版本评测榜单
    • 新增“护理考试”排行榜(含护士执业资格考试、护师资格考试等10个方向),并计入总分,详见link
    • 新增6个模型:qwq-32b、qwq-plus-2025-03-05、step-2-mini、hunyuan-turbos-20250226、xunfei-spark-lite,☛查看模型完整信息
  • [2025/3/10] 发布v3.2版本评测榜单
    • 新增“医师考试/高级职称”排行榜(含等消化内科高级职称、普通内科高级职称等8个方向),并计入总分,详见link
  • [2025/3/7] 发布v3.1版本评测榜单
    • 新增“医师考试/中级职称”排行榜(含超声波医学主治医师、妇产科主治医师等43个方向),并计入总分,详见link
  • [2025/3/4] 发布v3.0版本评测榜单
    • 综合能力得分计算方式改为:医疗、教育、法律、行政公务、推理与数学计算、语言与指令遵从等6个领域得分的平均值。
    • 新增“医师考试/执业医师”排行榜(含中西医结合执业医师、口腔执业医师等5个方向),并计入总分,详见link
  • [2025/3/3] 发布v2.22版本评测榜单
    • 新增“医师考试/执业助理医师”排行榜(含临床执业助理医师、口腔执业助理医师等5个方向),并计入总分,详见link
    • 删除陈旧的模型:SenseChat-Turbo、SenseChat-v4、SenseChat-5、Mixtral-8x7B-Instruct-v0.1
  • [2025/2/28] 发布v2.21版本评测榜单
    • 新增“CMB-医师考试-规培结业”排行榜(含外科、皮肤科等18个方向),并计入总分,详见link
    • 删除陈旧的模型:Doubao-lite-32k-240428、Doubao-pro-32k-240615、o1-preview、WizardLM-2-8x22B、gemini-2.0-flash-lite-preview-02-05
  • [2025/2/24] 发布v2.20版本评测榜单
    • 新增高中学科排行榜、初中学科排行榜、小学学科排行榜,并计入总分
    • 删除陈旧的模型:gpt-4o-2024-08-06、qwen-max-2024-09-19
  • [2025/2/22] 发布v2.19版本评测榜单
    • 新增6个模型:kimi-latest-8k、SenseChat-5-beta、chatgpt-4o-latest、Doubao-1.5-pro-32k-250115、Doubao-1.5-lite-32k-250115、360zhinao2-o1,☛查看模型完整信息
    • 新增推理类大模型排行榜,详见link
  • [2025/2/18] 发布v2.18版本评测榜单
    • 新增2个模型:qwen2.5-max、gemini-2.0-flash-thinking-exp-01-21,☛查看模型完整信息
    • 新增演绎推理排行榜、C3中文阅读理解排行榜,并计入总分
  • [2025/2/14] 发布v2.17版本评测榜单
    • 新增10个模型:GLM-Zero-Preview、MiniMax-Text-01、SenseChat-5-1202、SenseChat-Turbo-1202、GLM-4-FlashX、ERNIE-Lite-8K、ERNIE-Tiny-8K、ERNIE-Lite-Pro-128K、ERNIE-Speed-Pro-128K、qwen2.5-math-72b-instruct,☛查看模型完整信息
    • 删除陈旧的模型:GLM4、gemini-1.0-pro、Llama-3.1-70B-Instruct、Meta-Llama-3.1-70B-Instruct-fp8
  • [2025/2/13] 发布v2.16版本评测榜单
    • 新增6个模型:qwq-32b-preview、o1-mini、o3-mini、gemini-2.0-pro-exp-02-05、gemini-2.0-flash-lite-preview-02-05、gemini-2.0-flash-001,☛查看模型完整信息
  • [2025/2/12] 发布v2.15版本评测榜单
    • 新增成语理解排行榜、情感分析排行榜,并计入总分
  • [2025/2/10] 发布v2.14版本评测榜单
    • 新增7个模型:DeepSeek-R1、DeepSeek-R1-Distill-Qwen-1.5B、DeepSeek-R1-Distill-Qwen-7B、DeepSeek-R1-Distill-Llama-8B、DeepSeek-R1-Distill-Qwen-14B、DeepSeek-R1-Distill-Qwen-32B、DeepSeek-R1-Distill-Llama-70B,☛查看模型完整信息
  • [2025/1/29] 发布v2.13版本评测榜单
    • 新增常识推理排行榜、文本蕴含(语言理解)排行榜,并计入总分
    • 阅读理解评测样本增加至600多个,并更新各模型评分
  • [2025/1/25] 发布v2.12版本评测榜单
    • 新增高考榜单及各学科细分榜单(生物、化学、语文、地理、历史、数学、物理),并以各科平均分(100分制)计入总分
  • [2025/1/23] 发布v2.11版本评测榜单
    • 公务员考试kaogong、律师资格考试JEC-QA开始计入总分
    • 新增4个模型:mistral-small、Hermes-3-Llama-3.1-405B、mistral-large、360gpt2-o1,☛查看模型完整信息
  • [2025/1/22] 发布v2.10版本评测榜单
    • 新增律师资格考试JEC-QA榜单,暂不计入总分
    • 新增7个模型:ministral-3b、Mistral-7B-Instruct-v0.3、Mistral-Nemo-Instruct-2407、ministral-8b、Mixtral-8x7B-Instruct-v0.1、Llama-3.1-Nemotron-70B-Instruct-fp8、WizardLM-2-8x22B,☛查看模型完整信息
  • [2025/1/20] 发布v2.9版本评测榜单
    • 新增公务员考试kaogong榜单,暂不计入总分
    • 新增5个模型:Llama-3.2-1B-Instruct、Llama-3.2-3B-Instruct、Llama-3.1-8B-Instruct-fp8、Llama-3.3-70B-Instruct-fp8、Llama-3.1-70B-Instruct-fp8,☛查看模型完整信息
  • [2025/1/17] 发布v2.8版本评测榜单
    • 新增9个模型:gemini-2.0-flash-exp、phi-4、gemini-1.5-flash-8b、360gpt-turbo、step-1-flash、Llama-3.3-70B-Instruct、360gpt-pro、360gpt2-pro、step-1-8k,☛查看模型完整信息
    • 新增o1-mini、o1-preview的初中数学成绩
    • 删除陈旧的模型:abab5.5-chat、abab5.5s-chat
  • [2025/1/7] 发布v2.7版本评测榜单
    • 新增代词理解CLUEWSC榜单(比如“他”是指谁)、诗词匹配CCPM榜单
    • 新增5个模型:Claude-3.5-Sonnet、gemma-2-27b-it、Llama-3.1-405B-Instruct、Baichuan4-Air、Baichuan4-Turbo,☛查看模型完整信息
    • 删除陈旧的模型:Baichuan3-Turbo、qwen2-72b-instruct、Qwen2-7B-Instruct、qwen2-1.5b-instruct、qwen2-0.5b-instruct、qwen2-57b-a14b-instruct
  • [2024/12/28]v2.6版本, [2024/12/27]v2.5版本, [2024/12/25]v2.4版本, [2024/10/20]v2.3版本,[2024/9/29]v2.2版本,[2024/8/27]v2.1版本,[2024/8/7]v2.0版本,[2024/7/26]v1.21版本,[2024/7/15]v1.20版本,[2024/6/29]v1.19版本,[2024/6/2]v1.18版本,[2024/5/8]v1.17版本,[2024/4/13]v1.16版本,[2024/3/20]v1.15版本,[2024/2/28]v1.14版本,[2024/1/29]v1.13版本
  • 2023年:[2023/12/10]v1.12版本,[2023/11/22]v1.11版本,[2023/11/5]v1.10版本,[2023/10/11]v1.9版本,[2023/9/13]v1.8版本,[2023/8/29]v1.7版本,[2023/8/13]v1.6版本,[2023/7/26]v1.5版本, [2023/7/18]v1.4版本, [2023/7/2]v1.3版本, [2023/6/17]v1.2版, [2023/6/10]v1.1版本, [2023/6/4]v1版本

各版本更新详情:CHANGELOG

TODO

  • 引入更多维度的评测:代码能力、开放域问答、多轮对话、头脑风暴、翻译……
  • 评测维度更细分,比如信息抽取可以细分时间实体抽取能力、地址实体抽取能力……
  • 海纳百川,整合各类评测榜单,扩充细分领域榜单(比如教育领域、医疗领域)
  • 加入更多评测数据,使得评测得分越来越有说服力

大模型基本信息

详见模型列表

📊 排行榜

1、综合能力排行榜

综合能力得分为医疗、教育、金融、法律、行政公务、心理健康、推理与数学计算、语言与指令遵从等8个领域得分的平均值。 lin
详细数据见total

1.1、推理类模型排行榜

排名 大模型 机构 输出价格 总分 医疗 教育 金融 法律 行政公务 心理健康 推理与数学计算 语言与指令遵从
1 hunyuan-turbos-20250226☛去体验 腾讯 2.0元 83.9 90.0 88.9 85.2 83.3 81.6 78.2 79.3 84.2
2 DeepSeek-R1☛去体验 深度求索 16.0元 81.4 81.9 89.5 82.9 74.8 88.6 61.5 87.6 84.8
3 hunyuan-turbos-20250313(new)☛去体验 腾讯 2.0元 80.3 85.1 87.8 80.5 72.2 80.0 72.9 79.8 84.4

完整排行榜见推理类模型排行榜

1.2、商用大模型排行榜(含开源模型的付费API)

(1)输出价格30元及以上商用大模型排行榜
排名 大模型 机构 输出价格 总分 医疗 教育 金融 法律 行政公务 心理健康 推理与数学计算 语言与指令遵从
1 xunfei-4.0Ultra☛去体验 科大讯飞 70.0元 74.0 75.9 81.9 75.2 66.7 72.0 61.2 77.2 82.3
2 GLM-4-Plus☛去体验 智谱AI 50.0元 73.6 75.1 81.3 74.0 63.1 76.7 59.0 75.2 84.1
3 xunfei-spark-max☛去体验 科大讯飞 30.0元 73.2 76.5 83.8 75.0 66.5 70.4 59.0 75.6 79.3

完整排行榜见30元及以上商用大模型

(2)输出价格5~30元商用大模型排行榜
排名 大模型 机构 输出价格 总分 医疗 教育 金融 法律 行政公务 心理健康 推理与数学计算 语言与指令遵从
1 ERNIE-4.5-8K-Preview(new)☛去体验 百度 16.0元 86.0 92.9 87.0 85.2 90.3 87.0 75.2 81.6 88.4
2 DeepSeek-R1☛去体验 深度求索 16.0元 81.4 81.9 89.5 82.9 74.8 88.6 61.5 87.6 84.8
3 hunyuan-turbo☛去体验 腾讯 9.6元 80.5 88.9 87.1 84.8 75.7 76.2 71.8 77.5 82.3

完整排行榜见5~30元商用大模型

(3)输出价格1~5元商用大模型排行榜
排名 大模型 机构 输出价格 总分 医疗 教育 金融 法律 行政公务 心理健康 推理与数学计算 语言与指令遵从
1 hunyuan-turbos-20250226☛去体验 腾讯 2.0元 83.9 90.0 88.9 85.2 83.3 81.6 78.2 79.3 84.2
2 Doubao-1.5-pro-32k-250115☛去体验 豆包 2.0元 81.6 86.6 89.9 84.2 72.3 78.3 74.4 80.8 86.5
3 hunyuan-turbos-20250313(new)☛去体验 腾讯 2.0元 80.3 85.1 87.8 80.5 72.2 80.0 72.9 79.8 84.4

完整排行榜见1~5元商用大模型

(4)输出价格1元以下商用大模型排行榜
排名 大模型 机构 输出价格 总分 医疗 教育 金融 法律 行政公务 心理健康 推理与数学计算 语言与指令遵从
1 Doubao-1.5-lite-32k-250115☛去体验 豆包 0.6元 75.2 80.8 84.9 78.2 63.2 70.7 65.8 80.8 77.5
2 gemini-2.0-pro-exp-02-05☛去体验 Google 0.0元 71.2 71.6 82.0 74.0 45.6 73.7 60.6 82.8 79.0
3 gemini-2.0-flash-thinking-exp-01-21☛去体验 Google 0.0元 70.2 65.0 76.6 67.2 47.9 85.1 53.5 87.8 78.5

完整排行榜见1元以下商用大模型

DIY自定义维度筛选榜单:☛ link

旗舰商用模型badcase: gpt-4o | deepseek-chat-v3 | 更多


1.3、开源大模型排行榜

(1)5B以下开源大模型排行榜
排名 大模型 机构 输出价格 总分 医疗 教育 金融 法律 行政公务 心理健康 推理与数学计算 语言与指令遵从
1 qwen2.5-3b-instruct☛去体验 阿里巴巴 0.9元 51.6 49.8 58.8 53.8 29.2 51.3 43.8 58.3 67.6
2 qwen2.5-1.5b-instruct☛去体验 阿里巴巴 0.0元 43.0 43.8 52.2 48.6 29.6 40.5 39.6 37.7 51.5
3 gemma-3-4b-it(new)☛去体验 Google 0.0元 40.9 31.8 43.7 39.7 16.5 39.5 29.2 69.1 58.0

完整排行榜见5B以下开源大模型

(2)5B~20B开源大模型排行榜
排名 大模型 机构 输出价格 总分 医疗 教育 金融 法律 行政公务 心理健康 推理与数学计算 语言与指令遵从
1 DeepSeek-R1-Distill-Qwen-14B☛去体验 深度求索 0.7元 66.6 62.8 77.0 67.5 42.2 68.0 55.6 81.2 78.7
2 qwen2.5-14b-instruct☛去体验 阿里巴巴 6.0元 66.4 67.7 77.0 68.0 47.1 67.0 56.1 68.1 79.9
3 qwen2.5-7b-instruct☛去体验 阿里巴巴 2.0元 63.2 64.5 72.3 66.5 43.8 59.6 56.0 66.7 76.1

完整排行榜见5B~20B开源大模型

(3)20B以上开源大模型排行榜
排名 大模型 机构 输出价格 总分 医疗 教育 金融 法律 行政公务 心理健康 推理与数学计算 语言与指令遵从
1 DeepSeek-R1☛去体验 深度求索 16.0元 81.4 81.9 89.5 82.9 74.8 88.6 61.5 87.6 84.8
2 hunyuan-large☛去体验 腾讯 12.0元 80.4 88.6 83.3 84.6 83.2 75.7 73.2 74.3 80.1
3 qwq-32b☛去体验 阿里巴巴 6.0元 78.0 76.5 86.1 78.3 62.5 86.5 63.0 85.6 85.2

完整排行榜见20B以上开源大模型

DIY自定义维度筛选榜单:☛link



2、医疗排行榜

☛☛完整排行榜见医疗

2.1 医师

☛☛完整排行榜见医师
(1)内科
☛☛完整排行榜见内科


(2)外科
☛☛完整排行榜见外科


(3)妇产科
☛☛完整排行榜见妇产科


(4)儿科
☛☛完整排行榜见儿科


(5)眼科
☛☛完整排行榜见眼科


(6)口腔科
☛☛完整排行榜见口腔科


(7)耳鼻咽喉科
☛☛完整排行榜见耳鼻咽喉科


(8)脑系科
☛☛完整排行榜见脑系科


(9)皮肤科
☛☛完整排行榜见皮肤科


(10)中医与中西医结合
☛☛完整排行榜见中医与中西医结合


(11)康复医学科
☛☛完整排行榜见康复医学科


(12)全科医学科
☛☛完整排行榜见全科医学科


(13)临床营养与重症医学

☛☛完整排行榜见临床营养与重症医学


(14)肿瘤科
☛☛完整排行榜见肿瘤科


(15)麻醉疼痛科
☛☛完整排行榜见麻醉疼痛科


(16)公共卫生与职业病
☛☛完整排行榜见公共卫生与职业病

2.2 护理

☛☛完整排行榜见护理

2.3 药师

☛☛完整排行榜见药师

2.4 医技

☛☛完整排行榜见医技

2.5 医学基础知识

(1)基础医学
☛☛完整排行榜见基础医学


(2)临床医学
☛☛完整排行榜见临床医学


(3)预防医学与公共卫生学
☛☛完整排行榜见预防医学与公共卫生学


(4)中医学与中药学
☛☛完整排行榜见中医学与中药学

2.6 医学考研

医学考研,包含外科护理学、基础护理学、西医综合等5个方向,参考CMB
☛☛完整排行榜见医学考研

3、教育排行榜

☛☛完整排行榜见教育

3.1 小学学科

☛☛完整排行榜见小学学科

3.2 初中学科

☛☛完整排行榜见初中学科

3.3 中考TODO



3.4 高中学科

☛☛完整排行榜见高中学科

3.5 高考

历年高考题,绝大部分为选择题,少部分为填空题。
☛☛完整排行榜见高考

3.6 高等教育TODO



3.7 考研TODO



3.8 教师资格TODO




4、金融排行榜

☛☛完整排行榜见金融

4.1 财务

☛☛完整排行榜见财务

4.2 银行

☛☛完整排行榜见银行

4.3 保险

☛☛完整排行榜见保险

4.4 证券

☛☛完整排行榜见证券

4.5 其他金融资格考试

☛☛完整排行榜见其他金融资格考试

4.6 金融基础知识

☛☛完整排行榜见金融基础知识

4.7 金融应用

☛☛完整排行榜见金融应用

5、法律排行榜

☛☛完整排行榜见法律

5.1 律师资格考试

(1)JEC-QA-KD

选择题,共1000道,参考AGIEval
完整排行榜见JEC-QA-KD,☛查看JEC-QA-KD badcase

(2)JEC-QA-CA

选择题,共1000道,参考AGIEval
完整排行榜见JEC-QA-CA,☛查看JEC-QA-CA badcase

(3)MMCU法律

完整排行榜见MMCU法律,☛查看MMCU法律badcase


6、行政公务排行榜

☛☛完整排行榜见行政公务

6.1 公务员考试

公务员考试行测选择题,共651道,参考AGIEval。 评测样本举例:

某乡镇进行新区规划,决定以市民公园为中心,在东南西北分别建设一个特色社区。这四个社区分别定为,文化区、休闲区、商业区和行政服务区。已知行政服务区在文化区的西南方向,文化区在休闲区的东南方向。
根据以上陈述,可以得出以下哪项?
(A)市民公园在行政服务区的北面
(B)休闲区在文化区的西南
(C)文化区在商业区的东北
(D)商业区在休闲区的东南

完整排行榜见公务员考试
☛查看公务员考试badcase


7、心理健康排行榜

目前包含4个子项:MMCU心理,心理治疗学主治医师,心理咨询师,医学心理学。
☛☛完整排行榜见心理健康

(1)MMCU心理

完整排行榜见MMCU心理,☛查看MMCU心理badcase

(2)心理治疗学主治医师

完整排行榜见心理治疗学主治医师,☛查看心理治疗学主治医师badcase

(3)心理咨询师

完整排行榜见心理咨询师,☛查看心理咨询师badcase

(4)医学心理学

完整排行榜见医学心理学,☛查看医学心理学badcase


8、推理与数学计算排行榜

☛☛完整排行榜见推理与数学计算

8.1 演绎推理

演绎推理(modus_tollens)选择题,共123道,参考ISP

评测样本举例:

考虑以下语句:
1.如果约翰是个好父母,那么约翰就是严格但公平的。
2.约翰不严格但公平。
结论:因此,约翰不是一个好父母。
问题:根据陈述1.和2.,结论是否正确?
回答:
(A) 否
(B) 是

完整排行榜见演绎推理
☛查看演绎推理badcase


8.2 常识推理

常识推理选择题,共99道,参考ISP

评测样本举例:

以下是关于常识的选择题。
问题:当某人把土豆放到篝火边的余烬中,此时余烬并没有在
A、释放热量
B、吸收热量

完整排行榜见常识推理
☛查看常识推理badcase


8.3 符号推理BBH

学术界最常用的符号推理评测集,包含23个子任务,详细介绍见BBH。 评测样本举例:

Task description: Answer questions about which times certain events could have occurred.
Q: Today, Emily went to the museum. Between what times could they have gone?
We know that:
Emily woke up at 1pm.
Elizabeth saw Emily reading at the library from 2pm to 4pm.
Jessica saw Emily watching a movie at the theater from 4pm to 5pm.
Leslie saw Emily waiting at the airport from 5pm to 6pm.
William saw Emily buying clothes at the mall from 6pm to 7pm.
The museum was closed after 7pm.
Between what times could Emily have gone to the museum?
Options:
(A) 1pm to 2pm
(B) 6pm to 7pm
(C) 5pm to 6pm
(D) 2pm to 4pm
A:

完整排行榜见BBH
☛查看BBH符号推理badcase


8.4 算术能力

考查大模型的数学基础能力之算数能力,测试题目为1000以内的整数加减法、不超过2位有效数字的浮点数加减乘除。 举例:166 + 215 + 53 = ?,0.97 + 0.4 / 4.51 = ?

完整排行榜见arithmetic
☛查看算术能力badcase


8.5 表格问答

专门考查大模型对表格的理解分析能力,常用于数据分析。
评测样本举例:

姓名,年龄,性别,国籍,身高(cm),体重(kg),学历
张三,28,男,中国,180,70,本科
Lisa,33,女,美国,165,58,硕士
Paulo,41,男,巴西,175,80,博士
Miyuki,25,女,日本,160,50,大专
Ahmed,30,男,埃及,175,68,本科
Maria,29,女,墨西哥,170,65,硕士
Antonio,36,男,西班牙,182,75,博士
基于这个表格回答:学历最低的是哪国人?

完整排行榜见tableqa
☛查看数据分析badcase


8.6 高中奥数

2024年预赛试题,参考Math24o。 评测样本举例:

设集合 $S={1, 2, 3, \cdots, 9 9 7, 9 9 8 }$,集合 $S$ 的 $k$ 个 $499$ 元子集 $A_{1},A_{2}, \cdots, A_{k}$ 满足:对 $S$ 中任一二元子集 $B$,均存在 $i \in{1, 2, \cdots, k }$,使得 $B \subset A_{i}$。求 $k$ 的最小值。

完整排行榜见高中奥林匹克数学竞赛
☛查看高中奥林匹克数学竞赛badcase


8.7 初中奥数TODO




8.8 小学奥数TODO




9、语言与指令遵从排行榜

☛☛完整排行榜见语言与指令遵从

9.1 成语理解

给定上下文,选择最匹配的成语。

评测样本举例:

说完作品的优点,咱们再来聊聊为何说它最后的结局____,片子本身提出的话题观点很尖锐,“扶弟魔”也成为众多当代年轻人婚姻里的不定因素,所以对于这种过于敏感的东西,片子的结局仅仅只是以弟弟的可爱化解了姐姐的心结,最后选择陪伴照顾...
给上文空格处选择最合适的成语或俗语:
(A) 有条有理
(B) 偏听偏信
(C) 狗尾续貂
(D) 半壁江山
(E) 身家性命
(F) 胆小如鼠
(G) 独善其身

完整排行榜见成语理解
☛查看成语理解badcase


9.2 情感分析

分析用户评论的情感属性,消极或积极。

评测样本举例:

用了几天,发现很多问题,无线网容易掉线,屏幕容易刮花,打开网页容易死掉,不值的买
以上用户评论是正面还是负面?
(A) 负面
(B) 正面

完整排行榜见情感分析
☛查看情感分析badcase


9.3 文本蕴含

文本蕴含,判断两个句子之间的语义关系:蕴含、中立、矛盾,参考OCNLI

评测样本举例:

句子一:农机具购置补贴覆盖到全国所有农牧业县(场),中央财政拟安排资金130亿元,比上年增加90亿元
句子二:按农民人数发放补贴
以上两个句子是什么关系?
(A)蕴含
(B)中立
(C)矛盾

完整排行榜见文本蕴含
☛查看文本蕴含badcase


9.4 分类能力

评测样本举例:

将下列单词按词性分类。
狗,追,跑,大人,高兴,树

完整排行榜见classification
☛查看分类能力badcase


9.5 信息抽取

评测样本举例:

“中信银行3亿元,交通银行增长约2.7亿元,光大银行约1亿元。”
提取出以上文本中的所有组织机构名称

完整排行榜见extract
☛查看信息抽取能力badcase


9.6 阅读理解

阅读理解能力是一种符合能力,考查针对给定信息的理解能力。 依据给定信息的种类,可以细分为:文章问答、表格问答、对话问答……
评测样本举例:

牙医:好的,让我们看看你的牙齿。从你的描述和我们的检查结果来看,你可能有一些牙齦疾病,导致牙齿的神经受到刺激,引起了敏感。此外,这些黑色斑点可能是蛀牙。
病人:哦,真的吗?那我该怎么办?
牙医:别担心,我们可以为你制定一个治疗计划。我们需要首先治疗牙龈疾病,然后清除蛀牙并填充牙洞。在此过程中,我们将确保您感到舒适,并使用先进的技术和材料来实现最佳效果。
病人:好的,谢谢您,医生。那么我什么时候可以开始治疗?
牙医:让我们为您安排一个约会。您的治疗将在两天后开始。在此期间,请继续刷牙,使用牙线,并避免吃过于甜腻和酸性的食物和饮料。
病人:好的,我会的。再次感谢您,医生。
牙医:不用谢,我们会尽最大的努力帮助您恢复健康的牙齿。
基于以上对话回答:病人在检查中发现的牙齿问题有哪些?

完整排行榜见mrc
☛查看阅读理解能力badcase


9.7 C3中文阅读理解

经典中文阅读理解选择题,共763道,参考C3。 评测样本举例:

我公司现招聘一名经济法方面的律师,要求:年龄在35岁以下,至少会一门外语,有三年以上工作经验。欢迎符合条件者前来应聘。
根据上文回答以下选择题:应聘这个工作的人必须:
(A) 超过35岁
(B) 有管理经验
(C) 会说普通话
(D) 工作三年以上

完整排行榜见C3
☛查看C3中文阅读理解badcase


9.8 代词理解CLUEWSC

中文指代消解任务,参考CLUEWSC2020。 评测样本举例:

少平仍然不知道怎样给奶奶说清他姐夫的事,就只好随口说:“他犯了点错误,人家让他劳教!”
上述文本中的“他犯了点错误”中的“他”是指少平吗?
选项:(A)是
(B)否

完整排行榜见CLUEWSC
☛查看代词理解CLUEWSC badcase


9.9 诗词匹配CCPM

中国古典诗歌匹配,给定中国古典诗歌的现代问描述,要求从候选的四句诗中选出与现代文描述语义匹配的那一句。 利用古典诗歌和现代文翻译的平行语料构建正确选项,并利用正确选项从古代诗歌语料库中利用相似检索构造出错误候选。 参考CCPM。 评测样本举例:

昏暗的灯熄灭了又被重新点亮。
上述文本最匹配下面哪句诗:
(A)渔灯灭复明
(B)残灯灭又然
(C)残灯暗复明
(D)残灯灭又明

完整排行榜见CCPM
☛查看诗词匹配CCPM badcase


9.10 中文指令遵从

参考谷歌IFEval,并将其翻译和适配到中文,精选9类25种指令,说明如下: lin

完整排行榜见IFEval
☛查看中文指令遵从badcase


🌐各项能力评分

评分方法:从各个维度给大模型打分,每个维度都对应一个评测数据集,包含若干道题。 每道题依据大模型回复质量给1~5分,将评测集内所有题的得分累加并归一化为100分制,即作为最终得分。

所有评分数据详见alldata

⚖️原始评测数据

包含各维度评测集以及大模型输出结果,详见本项目的eval文件目录

为什么做榜单?

  • 大模型百花齐放,也参差不齐。不少媒体的宣传往往夸大其词,避重就轻,容易混淆视听;而某些公司为了PR,也过分标榜自己大模型的能力,动不动就“达到chatgpt水平”,动不动就“国内第一”。 所谓“外行看热闹,内行看门道”,业界急需一股气流,摒弃浮躁,静下心来打磨前沿技术,真真正正用技术实力说话。这就少不了一个公开、公正、公平的大模型评测系统,把各类大模型的优点、不足一一展示出来。 如此,大家既能把握当下的发展水平、与国外顶尖技术的差距,也能更加清晰地看明白未来的努力方向,而不被资本热潮、舆论热潮所裹挟。
  • 对于产业界来说,特别是对于不具备大模型研发能力的公司,熟悉大模型的技术边界、高效有针对性地做大模型技术选型,在现如今显得尤为重要。 而一个公开、公正、公平的大模型评测系统,恰好能够提供应有的助力,避免重复造轮子,避免因技术栈不同而导致不必要的争论,避免“鸡同鸭讲”。
  • 对于大模型研发人员,包括对大模型技术感兴趣的人、学术界看中实践的人,各类大模型的效果对比,反应出了背后不同技术路线、技术方法的有效性,这就提供了非常好的参考意义。 不同大模型的相互参考、借鉴,帮忙大家躲过不必要的坑、避免重复实验带来的资源浪费,有助于整个大模型生态圈的良性高效发展。

大模型选型及评测交流群

先加小编微信,后拉入群,备注“加群”
lin



关注大模型评测微信公众号,及时获取最新评测信息
lin

For Tasks:

Click tags to check more tools for each tasks

For Jobs:

Alternative AI tools for chinese-llm-benchmark

Similar Open Source Tools

For similar tasks

For similar jobs