本文综述大语言模型评测研究，涵盖多语种NLP任务、开放对话、K-12教育、AIOps及科学能力等基准。发现ChatGPT等模型表现优异，但自动指标与人工评估差异大，部分基准质量低，非英语评估存在偏差，需本地数据校准。
完成下面两步后，将自动完成登录并继续当前操作。
