该文综述多个中文大模型评测基准，包括MSQA、CMMLU以及法律、传统汉语、编程教育、医学和SuperCLUE等。结果显示，LLM在专业领域表现有限，多数准确率不足50%，与ChatGPT仍有差距，需改进训练与评估框架。

该文综述了C-Eval、FinEval、CLEVA、RoleEval、CMMLU、SciEval、ZhuJiu、M3KE等多个中文大模型评估基准，覆盖通用、金融、科学及角色知识等领域。结果显示GPT-4多数领先，但各模型整体准确率仍偏低，中文大模型提升空间显著。

该文汇总了CMMMU、CMMLU、MMMU、ArcMMLU、ZhuJiu、M3KE、SuperCLUE、CMExam、MM-BigBench等多个中文大模型评测基准，覆盖多学科、多模态及医学、图书情报等领域，评估主流大模型的知识与推理能力。结果显示，即使GPT-4V等先进模型准确率仍有限，多数模型表现不足，表明中文大模型仍有较大提升空间。

该文综述了多个多模态与中文大模型评测基准：MMMU包含1.15万道大学级跨学科多模态题，GPT-4V准确率仅56%；CMMLU、MME、MM-BigBench、ArcMMLU、CMB、M3Exam、M3KE、CMExam分别覆盖中文学科、多模态、图书情报、医学及考试等场景。结果表明，现有模型在多语言、多模态及专业领域仍存在明显差距，亟需改进。