本文介绍了多个中文大模型评测基准：CMMLU覆盖多学科，多数模型准确率不足50%；CMMU、CMMMU评测多模态理解；M3KE测多学科少样本能力，GPT-3.5约48%；ZhuJiu多维评估中文能力；SuperCLUE显示GPT-4可自动评估用户偏好。此外还提及韩语基准KMMLU及大规模多模态数据集Wan Juan。

该文汇总了多个中文大模型评测基准：SuperCLUE评估中文开放问题偏好；小学数学测试显示仅GPT-4具鲁棒推理；MGSM检验多语种数学推理；SciBench考察大学科学问题求解，LLM得分仅35.80%；GSM8K推动多步数学推理；SuperCLUE-Safety评估中文模型安全性；CMMLU覆盖多学科中文知识；CLUE是首个中文语言理解基准；KwaiYiiMath提升中英数学推理能力。