该文汇总多项研究，提出评估大语言模型心理与能力的框架，包括用PsychoBench测试人格、人际、动机和情绪，用BOLT分析心理治疗对话行为，并采用协商游戏、自适应测试、多主体博弈等方法评估模型。结果显示GPT-4表现最强，Llama-2-70B最弱，能力差距达三倍。