该文综述多项大语言模型安全与能力评估研究：SafetyBench用11435个中英文问题测试，发现GPT-4安全性突出但整体仍有提升空间；法律、医学等高风险领域实验揭示事实准确性与安全局限；中文安全基准覆盖八类场景和六种指令攻击，评估15个模型；LLM作评价者可匹配人类偏好；多轮交互显示商业与开源模型存在差距；LawBench显示GPT-4法律表现最佳但提升空间大；多主体博弈框架发现GPT-4与Llama-2-70B能力相差三倍，概率图模型平均提升50%；Auto-J生成式评测模型支持多种评估协议。