大语言模型（LLMs）在聊天中的应用已成为日常生活的一部分，但其回答常常是错误的，限制了其实际应用。近年来，对评估和改进LLM准确性的研究引起了关注。本调查分析了现有工作，确定了主要挑战和改进LLM的潜在解决方案，并探讨了开放式文本生成的自动准确性评估的障碍和未来研究方向。

本文介绍了一个包含983个电子病历数据的自然语言指令的基准数据集MedAlign，用于评估医疗保健领域的大型语言模型（LLMs）的准确性和质量。通过评估6个通用领域的LLMs，发现高错误率和GPT-4在文本长度从32k到2k时准确率下降了8.3％。同时，还报告了医生排名和自动化自然语言生成度量之间的相关性，以一种无需人工审查的方式对LLMs进行排名。