该文汇总了多个中文大模型评测基准：SuperCLUE评估中文开放问题偏好；小学数学测试显示仅GPT-4具鲁棒推理；MGSM检验多语种数学推理；SciBench考察大学科学问题求解，LLM得分仅35.80%；GSM8K推动多步数学推理；SuperCLUE-Safety评估中文模型安全性；CMMLU覆盖多学科中文知识；CLUE是首个中文语言理解基准；KwaiYiiMath提升中英数学推理能力。