原標題：全球百模爭霸，國產大模型拿下多個冠軍！智源FlagEval全球評測榜單出爐
文章來源：新智元
內容字數：5822字

2024年大模型評測綜述

隨著2024年接近尾聲，智源研究院發布了下半年大模型綜合評測結果，涵蓋了100多個開源和閉源模型，涉及文本、語音、圖像和視頻等多個領域。這一評測相較于今年5月的評估，任務解決能力的內涵得到了擴展和細化，并首次增加了針對金融量化交易場景的應用能力評估。

1. 評測方法與新方向

本次評測引入了基于模型辯論的對比評估方式，深入分析了模型在邏輯推理、觀點理解和語言表達等方面的能力。此外，智源研究院結合K12學段的多學科試卷，考察了大模型與人類學生的能力差異，發現模型的綜合得分相較于半年前提升了12.86%。

2. 語言模型表現

在語言模型的主觀評測中，字節跳動的Doubao-pro-32k-preview和百度的ERNIE 4.0 Turbo位列前兩名。客觀評測方面，OpenAI的o1-mini-2024-09-12和Google的Gemini-1.5-pro-latest表現搶眼。盡管模型在一般中文場景的開放式問答中能力已趨于穩定，但在復雜場景任務中，國內頭部語言模型仍與國際一流水平存在顯著差距。

3. 多模態模型發展

多模態模型方面，OpenAI GPT-4o-2024-11-20和字節跳動Doubao-Pro-Vision-32k-241028在圖文理解任務上表現突出。文生圖模型的中文文字生成能力有所提升，但在復雜場景人物變形等方面仍存在不足，騰訊的Hunyuan Image表現最佳。文生視頻模型的畫質和動態性均有所增強，但仍存在物體消失等問題。

4. 語音語言模型及專項評測

語音語言模型得益于文本大模型的進步，能力顯著提升，阿里巴巴的Qwen2-Audio排名第一。在專項評測中，智源研究院推出的FlagEval大模型角斗場和模型辯論平臺，進一步探討模型在邏輯推理和觀點表達方面的能力。

5. 未來發展與展望

智源評測體系的迭代覆蓋了全球800多款模型，致力于科學、公正的評估標準。未來，智源研究院將繼續探索動態評測與多任務能力評估，以提供對大模型技術生態發展的深入洞察。

聯系作者

文章來源：新智元
作者微信：
作者簡介：智能+中國主平臺，致力于推動中國從互聯網+邁向智能+新紀元。重點關注人工智能、機器人等前沿領域發展，關注人機融合、人工智能和機器人對人類社會與文明進化的影響，領航中國新智能時代。