人民網上海6月7日電 隨著AI大語言模型越來越多地表現出接近人類的智能，面向人類設計的高難度、綜合性考試被越來越多地引入對語言模型的智能水平進行評測。OpenAI 在其關於 GPT-4 的技術報告中就主要通過各領域的考試對模型能力進行檢驗。2023年高考開考，中文大語言模型是否能夠在高考中趕超ChatGPT呢？

今天，上海人工智能實驗室（上海AI實驗室）、商湯科技聯合香港中文大學、復旦大學及上海交通大學發布千億級參數大語言模型“書生·浦語”（InternLM）。

據介紹，“書生·浦語”具有1040億參數，是在包含1.6萬億token的多語種高質量數據集上訓練而成。

全面評測結果顯示，“書生·浦語”不僅在知識掌握、閱讀理解、數學推理、多語翻譯等多個測試任務上表現優秀，而且具備很強的綜合能力，因而在綜合性考試中表現突出，在多項中文考試中取得超越ChatGPT的成績，其中就包括中國高考各科目的數據集（GaoKao）。

目前，“書生·浦語”相關技術報告已在網上公開，報告對模型的技術特點以及測試結果進行了詳細闡述。

綜合“大考”：“書生·浦語”多項成績領先於 ChatGPT

“書生·浦語”聯合團隊選取了20余項評測對其進行檢驗，其中包含全球最具影響力的四個綜合性考試評測集：由伯克利加州大學等高校構建的多任務考試評測集MMLU﹔微軟研究院推出的學科考試評測集AGIEval（含中國高考、司法考試及美國SAT、LSAT、GRE 和 GMAT等）﹔由上海交通大學、清華大學和愛丁堡大學合作構建的面向中文語言模型的綜合性考試評測集C-Eval﹔以及由復旦大學研究團隊構建的高考題目評測集Gaokao。

實驗室聯合團隊對“書生·浦語”、GLM-130B、LLaMA-65B、ChatGPT 和 GPT-4 進行了全面測試，針對上述四個評測集的成績對比如下（滿分100分）。

可以看到，“書生·浦語”不僅顯著超越了 GLM-130B 和 LLaMA-65B 等學術開源模型，還在AGIEval、C-Eval、以及 Gaokao 等多個綜合性考試中領先於 ChatGPT﹔在以美國考試為主的MMLU上實現和 ChatGPT 持平。這些綜合性考試的成績反映出“書生·浦語”扎實的知識掌握程度和優秀的綜合能力。

雖然 “書生·浦語”在考試評測上取得優秀成績，但在測評中也可以看到，大語言模型仍然存在不少能力局限性。“書生·浦語” 受限於2K的語境窗口長度（GPT-4的語境窗口長度為32K），在長文理解、復雜推理、撰寫代碼以及數理邏輯演繹等方面還存在明顯局限。另外，在實際對話中，大語言模型還普遍存在幻覺、概念混淆等問題﹔這些局限使得大語言模型在開放場景中的使用還有很長的路要走。

四個綜合性考試評測數據集結果

MMLU是由伯克利加州大學（UC Berkeley）聯合哥倫比亞大學、芝加哥大學和 UIUC 公共構建的多任務考試評測集，涵蓋了初等數學、物理、化學、計算機科學、美國歷史、法律、經濟、外交等多個學科。 細分科目結果如下表所示（粗體表示最佳結果，下劃線表示第二）。

AGIEval是由微軟研究院在今年新提出的學科考試評測集，主要目標是通過面向的考試來評估語言模型的能力，從而實現模型智能和人類智能的對比。這個評測集基於中國和美國各類考試構建了19個評測大項，包括了中國各科高考、司法考試以及美國的 SAT、LSAT、GRE 和 GMAT等重要考試。值得一提的是，在這19個大項有9個大項是中國高考，通常也列為一個重要的評測子集 AGIEval (GK)。下列表格中，帶GK的是中國高考科目。

C-Eval是由上海交通大學、清華大學和愛丁堡大學合作構建的面向中文語言模型的綜合性考試評測集。它包含了52個科目的近14000道考題，涵蓋數學、物理、化學、生物、歷史、政治、計算機等學科考試，以及面向公務員、注冊會計師、律師、醫生的職業考試。測試結果可以通過leaderboard獲得。

（https://cevalbenchmark.com/static/leaderboard.html）

Gaokao是由復旦大學研究團隊構建的基於中國高考題目的綜合性考試評測集，包含了中國高考的各個科目，以及選擇、填空、問答等多種題型。在GaoKao測評中，“書生·浦語”在超過75%的項目中均領先ChatGPT。

分項評測：閱讀理解、推理能力表現出色

為了避免“偏科”，研究人員還通過多個學術評測集，對“書生·浦語”等語言模型的分項能力進行了評測對比。結果顯示，“書生·浦語”不僅在中英文的閱讀理解方面表現突出，並且在數學推理、編程能力等評測中也取得了較好的成績。

在知識問答方面，“書生·浦語”在TriviaQA 和 NaturalQuestions 兩項評測上得分為69.8和27.6，均超越 LLaMA-65B（得分為68.2和23.8）。

在閱讀理解（英語）方面，“書生·浦語”明顯領先於 LLaMA-65B 和 ChatGPT。浦語在初中和高中英語閱讀理解中得分為 92.7 和 88.9，⽽ ChatGPT 得分為 85.6 和 81.2，LLaMA-65B則更低。

在中文理解方面，“書生·浦語”的成績全面超越主要的兩個中文語言模型 ERNIE-260B 和 GLM-130B。

在多語翻譯方面，“書生·浦語”在多語種互譯中的平均得分為33.9，顯著超越LLaMA(平均得分15.1)。

在數學推理方面，“書生·浦語”在GSM8K 和 MATH 這兩項被廣泛用於評測的數學考試中，分別取得 62.9 和 14.9 的得分，明顯領先於 Google 的 PaLM-540B（得分為 56.5 和 8.8）與 LLaMA-65B （得分為 50.9 和 10.9）。

在編程能力方面，“書生·浦語”在HumanEval 和 MBPP 這兩項最具代表性的考評中，分別取得 28.1 和 41.4 的得分(其中經過在代碼領域的微調后，在HumanEval上的得分可以提升至45.7)，明顯領先於 PaLM-540B（得分為 26.2 和 36.8）與 LLaMA-65B（得分為 23.7 和 37.7）。

此外，研究人員還對“書生·浦語”的安全性進行評測，在 TruthfulQA（主要評價回答的事實准確性） 以及 CrowS-Pairs（主要評價回答是否含有偏見）上，“書生·浦語”均達到領先水平。

分享讓更多人看到