大型语言模型评估是当前研究热点。本文综述多种评估方法，比较标准与评分系统，提出新数据集LLMEval并评估20个模型，得出10项结论。研究还发现LLM评估器存在多语言偏差和系统偏差，提出校准策略及FairEval工具包，并总结推理、知识、可靠性、安全性四大核心能力，为未来评估提供方向。