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。

文章介绍了基于知识的全面评估框架KGQuiz，包含五个任务，涵盖三个领域的知识。通过广泛实验发现，LLMs在简单的知识问答任务中表现出色，但在需要更复杂推理或领域特定事实的设置和上下文中仍存在挑战。KGQuiz是一个测试平台，用于评估和改进LLMs在广泛知识领域和任务中的知识能力。