IPEval: 一种用于大规模语言模型的双语知识产权代理咨询评估基准

E-EVAL 是专为中国 K-12 教育领域设计的综合评估基准，包含 4,351 道选择题，涵盖多个学科。

研究发现，中文优先模型在教育领域表现优于英文模型，但在数学等复杂科目上仍存在不足。

RoleEval 是一个评估角色知识的双语基准测试，发现 GPT-4 在全球表现出色，而中文模型在中文部分表现优异。

使用 FinEval 基准测试评估金融领域知识，结果显示只有 GPT-4 达到接近 70% 的准确度。

LLMs 在人工智能时代的作用越来越重要，现有模型在知识整合方面存在显著弱点，需要改进。

引入 IFEval 作为评估大型语言模型遵循指令能力的基准，构建了约 500 个可验证指令的提示。

提出了基于法学能力的综合评估基准，评估结果显示法学硕士与 ChatGPT 仍存在性能差距。

引入心理健康领域的评估基准，系统评估 LLMs 在该领域的能力，展示了改进空间和优化方向。

C-Eval 评估结果表明，只有 GPT-4 在准确度上超过 60%，显示出当前模型的提升空间。

OpsEval 是为 LLMs 设计的 AIOps 基准测试，首次评估了其在关键场景中的表现。

SciEval 基准评估体系解决了数据泄露和主观问答能力评估的问题，尽管 GPT-4 表现优异，但仍有改进空间。