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。
完成下面两步后，将自动完成登录并继续当前操作。
