TEL'M: 语言模型的测试和评估

语言模型在某些任务上表现出色，但在其他任务上却遭受了严重的失败。本文提出了一种基于测试和评估的语言模型（TEL'M）作为一种原则性方法，用于评估当前和未来的语言模型在高价值商业、政府和国家安全应用领域的价值。我们相信这种方法可以被应用于其他人工智能技术中，以实现 “工业化” 人工智能的更大目标。

本文回顾了大语言模型（LLM）评估的历史轨迹，强调了对统一评估体系的迫切需求，并呼吁人工智能社区共同解决LLM评估的挑战，确保其可靠性、公正性和社会利益。