近幾年，大模型推動人工智能技術(shù)迅猛發(fā)展，極大地拓展了機(jī)器 智能的邊界，展現(xiàn)出通用人工智能的“曙光”。如何準(zhǔn)確、客觀、全 面衡量當(dāng)前大模型能力，成為產(chǎn)學(xué)研用各界關(guān)注的重要問題。設(shè)計合 理的任務(wù)、數(shù)據(jù)集和指標(biāo)，對大模型進(jìn)行基準(zhǔn)測試，是定量評價大模 型技術(shù)水平的主要方式。大模型基準(zhǔn)測試不僅可以評估當(dāng)前技術(shù)水平， 指引未來學(xué)術(shù)研究，牽引產(chǎn)品研發(fā)、支撐行業(yè)應(yīng)用，還可以輔助監(jiān)管 治理，也有利于增進(jìn)社會公眾對人工智能的正確認(rèn)知，是促進(jìn)人工智 能技術(shù)產(chǎn)業(yè)發(fā)展的重要抓手。全球主要學(xué)術(shù)機(jī)構(gòu)和頭部企業(yè)都十分重 視大模型基準(zhǔn)測試，陸續(xù)發(fā)布了一系列評測數(shù)據(jù)集、框架和結(jié)果榜單， 對于推動大模型技術(shù)發(fā)展產(chǎn)生了積極作用。然而，隨著大模型能力不 斷增強(qiáng)和行業(yè)賦能逐漸深入，大模型基準(zhǔn)測試體系還需要與時俱進(jìn)， 不斷完善。

本研究報告首先回顧了大模型基準(zhǔn)測試的發(fā)展現(xiàn)狀，對已發(fā)布的 主要大模型評測數(shù)據(jù)集、體系和方法進(jìn)行了梳理，分析了當(dāng)前基準(zhǔn)測試存在的問題和挑戰(zhàn)，提出了一套系統(tǒng)化構(gòu)建大模型基準(zhǔn)測試的框架 —— “方升”大模型基準(zhǔn)測試體系，介紹了基于“方升”體系初步開 展的大模型評測情況，并對未來大模型基準(zhǔn)測試的發(fā)展趨勢進(jìn)行展望。 面向未來，大模型基準(zhǔn)測試仍存在諸多開放性的問題，還需要產(chǎn)學(xué)研 各界緊密合作，共同建設(shè)大模型基準(zhǔn)測試標(biāo)準(zhǔn)，為大模型行業(yè)健康有 序發(fā)展提供有力支撐

人工智能技術(shù)發(fā)展迅速，大模型、RAG、AGENT、 具身智能、 AGI等新概念和新技術(shù)層出不窮。大模型基準(zhǔn)測試作為研究較為深入 的領(lǐng)域，將帶動其他新技術(shù)的研究。當(dāng)前雖然 AGI 仍未有明確的定 義，但針對 AGI 的探索性評測研究已有初步成果。例如微軟發(fā)布論 文《通用人工智能的火花：GPT-4 的早期實(shí)驗(yàn)》,通過數(shù)學(xué)、編程、 視覺、醫(yī)學(xué)、法律、心理學(xué)等復(fù)雜度較高的任務(wù)證明GPT-4已經(jīng)進(jìn)入 AGI 的早期階段。北京通用人工智能研究院發(fā)布《通智測試：通用人 工智能具身物理與社會測試評級系統(tǒng)》,提出一種基于能力和價值維 度的 AGI 的評測方法。中國科學(xué)院和美國俄亥俄州立大學(xué)等先后推 出AGIBench 和MMMU 評測數(shù)據(jù)集，從多模態(tài)、多學(xué)科、多粒度等 維度衡量大模型距離AGI 的差距。雖然當(dāng)前AGI 的發(fā)展仍然處于初 期階段，但通過基準(zhǔn)測試的研究，可以為未來 AGI 的發(fā)展方向提供 思路，并對AGI 的能力進(jìn)行監(jiān)控以指引其正向發(fā)展。

附件：大模型基準(zhǔn)測試體系研究報告（2024年） -方升大模型基準(zhǔn)測試體系