基础模型能像人类一样标注数据吗？

本文介绍了如何评估大型语言模型的性能，包括使用人类评分和GPT-4评分来评估四个开源模型的性能，并展示了人类评分和GPT-4评分之间的差异。作者还讨论了使用其他LLM进行训练和评估的潜在问题，并提供了相关工作的例子。最后，作者呼吁开发更全面的基准来评估LLM的性能。