原標題：騰訊聯合智源發布升級版長文本理解基準測試模型—LongBench v2
文章來源：小夏聊AIGC
內容字數：1502字

LongBench v2：衡量大型語言模型長文本理解能力的新標桿

大型語言模型(LLMs)的飛速發展為眾多領域帶來了性的變化，然而，它們在處理長文本方面的能力仍有待提升。為了更好地評估和推動LLMs長文本理解能力的發展，騰訊和智源研究院于2024年12月19日聯合發布了LongBench v2——一個專為大型語言模型量身定制的長文本理解基準測試平臺。

超越現有標準，挑戰極限

LongBench v2并非簡單的升級，而是對長文本理解能力評估的一次重大革新。它能夠處理長度從8k到2M詞的超長文本，涵蓋了單文檔問答、多文檔問答、長文本語境學習等六大任務類別，并包含503道精心設計的四選一選擇題。這些題目的難度極高，即使是人類專家，平均準確率也僅為53.7% (15分鐘內)。這種高標準的測試，將有效區分不同LLMs在長文本理解方面的實際能力。

嚴謹的評測體系，確保結果可靠

LongBench v2的成功，離不開其嚴謹的評測體系。所有題目均經過嚴格的人工標注和審核，由來自頂尖學府的標注員參與，確保了題目的高質量和高難度。此外，研究團隊對傳統的Bradley-Terry統計算法進行了改進，并引入了控制變量，有效降低了混淆因素的影響，使得模型排名更加科學、精準，從而更客觀地反映LLMs的真實水平。

測試結果：推理能力至關重要

LongBench v2對10個開源LLMs和6個閉源LLMs進行了全面測試。結果顯示，引入控制變量后，模型的表現得到了顯著提升。尤其值得關注的是GPT-4o模型，在引入更多推理步驟后，其在多文檔問答和長文本語境學習等任務上展現出了卓越的性能，充分證明了推理能力對于提升模型處理長文本能力的重要性。

未來展望：引領長文本理解技術發展

LongBench v2的推出，為大型語言模型的評估提供了一把更加精準的“尺子”，也為未來的研究指明了方向。它強調了提升模型自身理解和推理能力的緊迫性，為人工智能技術的發展注入了新的活力。騰訊和智源研究院的強強聯手，必將推動長文本理解和推理技術取得突破性進展，為人工智能的未來發展貢獻更多力量。我們期待LongBench v2能夠成為推動AI領域進步的重要基準，引領長文本理解技術邁向新的高度。

聯系作者

文章來源：小夏聊AIGC
作者微信：
作者簡介：專注于人工智能生成內容的前沿信息與技術分享。我們提供AI生成藝術、文本、音樂、視頻等領域的最新動態與應用案例。每日新聞速遞、技術解讀、行業分析、專家觀點和創意展示。期待與您一起探索AI的無限潛力。歡迎關注并分享您的AI作品或寶貴意見。