该综述梳理大型语言模型评估研究，指出多语言评估存在偏差，需用本地语料校准；介绍ChatEval以多代理辩论模拟人类评估、LLM-Eval实现开放对话多维自动评估，并说明同行评审机制可降低评估偏见。LLMEval数据集对20个模型的评估得出10项结论，研究还涉及评估方法、维度、集成策略及协商游戏中的能力差距。

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。

本文综述大型语言模型评估研究：利用LLM预测旅行行为，准确性媲美监督学习且可解释，但存在逻辑矛盾或幻觉；提出KGQuiz知识评估框架，发现LLM简单问答强、复杂推理弱；评估GPT-4V地理空间能力；用“路由器”模型为新任务选最佳LLM；以协商游戏评估LLM能力；探讨LLM在智能交通、自动驾驶中的应用与挑战；提出多主体环境评估基准，发现GPT-4与Llama-2-70B能力差距达三倍。