本研究探讨了大型语言模型（LLMs）评估中的基准泄漏问题，指出其对模型性能评估的可靠性有显著影响。提出了一种新的评估框架，强调标准化方法和伦理指南的重要性，并通过多项基准测试揭示了LLMs在不同领域的表现差异及改进方向。

本研究探讨了大型语言模型（LLMs）的评估方法，强调标准化评估的重要性。分析23个基准后发现，评估结果受到基准泄漏的影响，导致模型性能评估不可靠。研究提出动态基准以保持知识的及时性，并呼吁人工智能社区共同解决评估挑战，确保模型的可靠性和社会利益。

该文综述大语言模型评估与数据问题：数据污染会显著抬高基准成绩，需更强评估方法；提出自监督评估框架监测模型行为；发现基准泄漏导致性能虚高；揭示LLM生成数据与人类数据存在差异；研究信息更新中的暴露偏差并改进；提出统一数据创建流程，合成数据在分布外评估更优；并探索自动审核LLM的方法。

该文综述大语言模型评估方法，指出基准泄漏会虚高结果、导致评估不可靠。研究涵盖法律、多语言、长文本等基准，提出知识能力、对齐、安全等评估维度，并强调需建立标准化、客观的统一评估体系，以推动负责任发展并降低风险。