在當今的AI行業(yè)，“百模大戰(zhàn)”已經打了大半年，各大公司之間的競爭愈發(fā)激烈。大型模型的評測榜單和排名在當前的市場競爭中扮演著重要的角色，然而，榜單結果能不能完全反映出各大模型的真實能力呢？就讓我們一起來看看吧！

考試拿第一，不一定就是好學生。

AI行業(yè)的“百模大戰(zhàn)”已經打了大半年。從上半年的火熱，到下半年的漸冷，勝負難分。

GPT成了國內廠商的靶子。幾乎每家在發(fā)布大模型時，都要把GPT拉出來對比一波，而且他們總能找到一個指標把GPT超越——比如，中文能力。

測評類的榜單太多了。從英文的MMLU，到中文的SuperCLUE，再到借鑒游戲排位賽機制的ChatbotArena，各種大模型榜單讓人眼花繚亂。很多時候，榜單上的排名成為廠商對外宣傳的工具。

但奇怪的是，用戶在體驗后發(fā)現，號稱超越ChatGPT的一些大模型產品，實際表現不盡如人意。各種不同的統(tǒng)計排名口徑，更是讓人感到迷惑。以至于“第一”太多，榜單都快不夠用了。

比如最近，昆侖萬維開源「天工」系列大模型，號稱多榜超越Llama 2；李開復的零一萬物公司發(fā)布開源大模型“Yi”，“問鼎”全球多項榜單；vivo發(fā)布自研AI“藍心”大模型，是國內“首家”開源7B大模型的手機廠商。

如此之多的大模型，跑馬圈地這半年，大家做得怎么樣？我們又該如何評價孰優(yōu)孰劣？

一、“刷榜”，大模型公開的秘密

就像當年手機廠商流行跑分打榜，現在的大模型廠商，也熱衷于沖上各種榜單。

大模型相關的榜單很多，學術圈、產業(yè)界、媒體智庫、開源社區(qū)，都在今年推出了各種各樣的評測榜單。這其中，國內廠商常常引用的是SuperCLUE和C-Eval，這倆都由國人自己推出。

5月6日科大訊飛發(fā)布星火認知大模型，三天后SuperCLUE發(fā)布榜單，星火排在國產第一；6月13日360集團發(fā)布360智腦大模型，六天后SuperCLUE更新榜單，360成了第一。

再后來的7月、8月、9月、10月榜單，拿下國產第一的分別是百度、百川智能、商湯、vivo?！暗琼敗薄皧Z冠”“國內第一”，出現在這些廠商的宣傳中。

有好事者發(fā)現，科大訊飛在5月9日“奪冠”時，SuperCLUE官網顯示的顧問成員中，排在最前面的那位，頭銜是哈工大訊飛聯(lián)合實驗室（HFL）資深級研究員。發(fā)榜第二天，這位專家的信息被官網刪除了。

當時，SuperCLUE只用了幾百道題進行測試，被人質疑不夠客觀。而在國外，早就有一個叫做SuperGLUE的權威榜單，二者名稱相似度極高，讓人傻傻分不清楚。后來，SuperCLUE對測評標準和題目數量進行了完善，日漸成為國內知名度較高的測評榜。

大模型測評領域的業(yè)內人士趙小躍對「定焦」說，一些測評機構有題庫，用接入各家廠商API的方式來測試，但其實測一遍之后，廠商就知道測過什么題，除非下輪測試換題，否則廠商可以用定向爆破的方式得高分。

在他看來，一套題只要測過一家模型，題目就廢了，因為模型可以通過API獲取題目，題目的可重復性為零。這是模型評測最有挑戰(zhàn)的一件事情。

C-Eval榜單剛推出時，業(yè)內是認可的。它由上海交通大學、清華大學、愛丁堡大學共同完成，有13948道題目。

但很快，大家就發(fā)現，一些原本知名度不高的大模型，突然沖到了榜首，甚至把GPT4踩在腳下使勁摩擦。

在9月初的榜單中，云天勵飛大模型總分排第一，360排第八，GPT4居然排第十。再后來，拿過榜單第一的還有度小滿金融大模型、作業(yè)幫銀河大模型，業(yè)內公認最強的GPT4被它們無情甩在了身后。

成績墊底，到底是GPT錯了還是榜錯了？

顯然，榜單有問題，因為它遭遇了“不健康的刷榜”。

C-Eval團隊在官網發(fā)出聲明，承認評測方式有局限性，同時指出了刷榜得高分的一些方法，比如：從GPT-4的預測結果蒸餾，找人工標注然后蒸餾，在網上找到原題加入訓練集中微調模型。

這三種方法，前兩種可以視為間接作弊，第三種相當于直接作弊。

大模型從業(yè)者李健對「定焦」說，間接作弊，就是知道考試大概的類型，然后花較多精力把可能的題目都找出來或叫專業(yè)的人造出來，答案也給出來，用這樣的數據訓練模型。

他指出，業(yè)內現在常用的手段是，讓GPT4來“造答案”，然后得到訓練數據。

李健分析，直接作弊，就是知道考試題目，然后稍微改改，得到新的很多份題目，之后直接拿來訓練模型。

“在清楚榜單任務的情況下，很多類型的任務，很容易刷榜?！彼f。

這樣得到的分數是沒有意義的?！爸苯幼鞅谆緦μ嵘Ｐ偷姆夯芰Γㄅe一反三）沒用，間接作弊有點像做題家，對提升學生真實的素質弊大于利?！?/p>

為了讓“用戶謹慎看待以下榜單”，C-Eval團隊不得不將榜單拆分成兩個，一個是模型已公開的，一個是未公開的。結果，那些得分高的基本全是未公開的大模型。而這些模型的真實表現，人們是無法體驗的。

復旦大學計算機科學技術學院教授邱錫鵬說，C-Eval本身質量還挺高，但被刷榜后導致學術價值不大了。現在很多企業(yè)去刷榜，但又不公開數據，也不具體說怎么做，這是一種不公平的競爭。

多位大模型從業(yè)者對「定焦」說，刷榜在大模型行業(yè)很常見。

躍盟科技創(chuàng)始人王冉對「定焦」打了一個比方：“先射完箭再畫靶子”。他認為今天的某些測評手段，是有一些大模型公司為了表現自己牛而專門設計的。

盛景嘉成董事總經理劉迪認為，有答案或者評分標準，就有人能鉆空子。單靠數據集和問題集的評判方式，很難評出大模型在應用層面的好壞。

“一個丹一個煉法，哪個對癥還得吃下去看。”他對「定焦」說。

二、考試拿第一，不是好學生？

大模型評測，作為評估大模型綜合實力的一個手段，還有參考價值嗎？

趙小躍認為，在核心的通用能力上，比如語言理解、邏輯推理等，學術數據集的榜單測評能反映七八成。這其中最大的問題是，開源的榜單結果跟大家用大語言模型的場景之間有鴻溝。

“測評只能反映模型某一部分的能力，大家其實都是從不同的維度盲人摸象，很難知道它的能力邊界在哪里。”他說。

對于大語言模型，首先在語言上，分為英文和中文兩大語種。國外大模型的訓練語料以英文為主，所以英文很強，但中文不一定比國內大模型強。這也是為什么國內很多大模型，都在“超越ChatGPT”之前加一個“中文能力”的定語。

其次在考察科目上，評測數據集通常會設置很多個方面，從百科知識到角色扮演，從上下文對話到閑聊。但這些能力只能單一評價，然后得分加總。

這跟評價一個人很像。任何一道考卷，都只能測試出這個人某方面的能力。即便是全套試卷的成績，也不等同于這個人的能力。就像ChatGPT的榜單排名不一定能比過國內的一些大模型，但使用體驗上就是更好。

王冉認為，如果將大模型比作一個人的大腦，如何評測一個人的大腦好用，如果只給他做題，其實是充滿偏見的?！?strong>大模型的測評不應該用考試來做，而應該用應用來做。”

人工智能公司開放傳神（OpenCSG）創(chuàng)始人、CEO陳冉認為，通用性的評測，看綜合得分，沒有一個大模型超過GPT4，但是在特定領域，可能有些指標GPT4得分不一定高。

問題在于，有些廠商拿特定領域的得分，去宣傳整體超過了GPT4。“這就是以偏概全，我覺得有些廠商在對外宣傳時，還是要對生態(tài)公司給到正確的指引，具體哪個指標在哪個領域得分高，要說清楚。”他對「定焦」表示。

而一旦測評成績進入排名賽，有了功利的成分，有些廠商就會有刷榜的動機?！皬乃竦慕嵌龋惶鼙ＷC中小廠不會把這部分數據拿去訓練，這是大家對公開數據集最大的顧慮?！壁w小躍說。

綜合多位業(yè)內人士的觀點，目前國內還沒有一個特別好的數據集，能綜合反映大模型的能力，各方都在探索。

李健在今年做了“CLiB中文大模型能力評測榜單”，為了避免泄題，他盡量參考業(yè)界好的方案，自己出題。“主要是業(yè)界和學術界的榜單，不太讓人滿意，公開程度不高，都是各說各話?！?/p>

還有一些非商業(yè)性質的機構相信，測評榜單最大的意義在于，從模型演化的角度，能夠幫助廠商監(jiān)控模型生產過程中能力的變化，糾正訓練模型的方法，有針對性提高模型能力。

比如OpenCompass，它是Meta官方推薦的開源大模型評測框架，利用分布式技術支持上百個數據集的評測，提供了大模型評測的所有技術細節(jié)，同時給大家提供了統(tǒng)一的測試基準，方便各家模型在公平公正的情況下開展對比。

三、開源：先賺吆喝再賺錢

對大模型做出全面評價是困難的。除了打榜的方式，有一些廠商通過開源，獲得了巨大的關注。

開源是一種經營策略，需要對自家產品足夠自信。相比之下，敢于放開注冊讓公眾體驗的閉源大模型，要比那些無法體驗的強，開源大模型則又往前邁了一步。

第一個被大范圍使用、好評度最高的開源大語言模型，是由Meta在今年2月推出的Llama。當時全球科技公司都盯著OpenAI，試圖追趕閉源的ChatGPT。但開源讓Meta坐上了牌桌，吸引了大量開發(fā)者，一時名聲大噪。

國內公司很快跟上，搶抓第一波關注度。智譜AI、智源研究院、百川智能，是動作最快的三家。

在Llama開源之后，號稱全面對標OpenAI、有著清華背景的智譜AI，迅速在國內第一個開源了自己的大模型ChatGLM-6B。這個時間點非常早，當時國內廠商的大模型都還沒發(fā)布，百度文心一言兩天后才推出，而王小川的百川智能公司還沒成立。

三個月后的6月9日，跟智譜AI有著很深淵源的智源研究院，宣布開源“悟道·天鷹”Aquila。它比智譜AI更進一步——可商用，于是拿下“國內首個開源可商用語言大模型”的頭銜。

是否支持商用，是判斷模型能力的一個關鍵指標。GPT 3.5的水平，通常被認為是大模型商用的標準線。不過，智源是一個非營利機構，它更多的用意是為公用發(fā)展提供技術支持。

智源主動開源之后，開源大模型的軍備競賽正式打響。

這其中值得一提的是百川智能。作為一家今年4月才成立的初創(chuàng)公司，百川獲得的關注度甚至超過很多互聯(lián)網大廠。

從時間上來看，百川是智源之后第一家開源的創(chuàng)業(yè)公司，且第一個宣布可免費商用。它開源不可商用的版本時，比智譜AI早九天；后來開源免費可商用的版本時，又比智譜AI早三天。

時間點很重要。當時Llama1只被允許用作研究，但市場有傳聞可商用的Llama 2即將開源。百川不僅搶在Llama 2之前，還卡在智譜AI之前宣布了免費可商用，贏得了巨大的關注度，一周之內下載量破百萬。

趙小躍認為，百川在那個時間發(fā)布一個開源模型，作為自己的第一槍，是一個很對的決策。“賺了一波吆喝?！?/p>

支持商用的Llama 2比百川和智譜AI晚了一周，即便如此，它還是在全球引發(fā)巨震。在同等參數規(guī)模下，Llama 2能力超過所有的開源大模型，是目前全球公認的開源大模型的代表。

因為Llama的帶動，國內廠商踩上了開源熱潮的風口。它們急著秀肌肉，爭奪大眾注意力。但從技術角度，尚不能說明它們就跑在了前面。

有觀點認為，開源模型雖多，但大多數都是從Llama派生出來。簡單來說，就是用了Llama作為基模型，然后選用其它不同的訓練方法微調。因為Llama原生在中文方面相對較弱，給了國產開源大模型宣傳的發(fā)力點。

6月中旬百川開源第一版Baichuan-7B時，公司只成立剛兩個月。當時有人質疑其模型架構跟Llama很相似?！敖柚呀涢_源的技術和方案，百川是站在了巨人的肩膀上?！币晃淮竽Ｐ蛣?chuàng)業(yè)者評價。

本質上，開源也是一種商業(yè)模式。賺完吆喝后，廠商的目的還是賺錢。

陳冉向「定焦」舉了個例子，開源就像一些化妝品品牌推出試用裝，免費給用戶用，但不會透露配方和成分。用戶試用完如果覺得好想繼續(xù)用，就得付費買商業(yè)版。另外它可能透露配方，如果有廠商想基于這個配方去創(chuàng)造一個新的產品，就需要交授權費。

百川在9月下旬推出了兩款閉源大模型，API接口對外開放，進入ToB領域，開啟商業(yè)化進程。

“它已經通過開源賺了一波吆喝，接下來一定會推閉源大模型做商業(yè)化，它最先進的模型是一定不會開源的?！壁w小躍說。

四、大家都沒有護城河？

“百模大戰(zhàn)”發(fā)展到今天，各家廠商通過各種方式博取關注度，那么誰做到了真正的領先？

趙小躍認為，從主觀感受層面來看，國內的大模型，無論是開源還是閉源，本質上沒有核心的技術代差。因為無論是模型大小，還是數據質量，大家都沒有飛躍式的突破?！霸贕PT3.5的指引下，國內廠商只要模型容量達到一定地步，再配合一批高質量數據，大家都不會太差?！?/p>

但跟GPT4相比，技術代差是存在的?！耙驗殚]源，大家不知道GPT4背后真正的技術方案是什么，如何把這么大的模型用專家結構訓練出來，目前大家還都在探索?！?/p>

在陳冉看來，國內的大語言模型完全原創(chuàng)的較少，有些是在transformer架構上做了一個整體調優(yōu)，本質是在算子上做了調優(yōu)，而沒有本質上的改變。還有一些走開源路線的廠商，更多是在中文方面深入研究。

大家都有自己的大模型，但本質上沒有顯著的區(qū)別，這就是當前國內大模型行業(yè)的特點。

某種程度上，這是由行業(yè)階段決定的。國內的互聯(lián)網大廠、創(chuàng)業(yè)公司、高?？蒲袡C構，真正開始投入大量人力物力做大模型，也就在今年。行業(yè)的技術路線也還在摸索中，沒有哪家公司建立起護城河。

相比純技術實力方面的比拼，算力和數據層面的比拼更能出效果。

“大家更多的精力是花在數據和語料上，誰能花錢獲得高質量的語料，同時有足夠的算力，誰就能訓練出一個相對好一點的模型?！标惾秸f。

開源讓局面變得更加不可控。去年底ChatGPT亮相后，全球冒出來上百個大模型，但今年Meta開源Llama 2之后，很多模型還沒有投入市場就已經過時。就連谷歌的工程師都在內部直言稱，谷歌和OpenAI都沒有護城河。

大模型更新迭代太快了?！敖裉炷阃瞥鲆粋€大模型，花錢打了榜，有很多人用，可能明天就有個新的模型迅速替代掉?！标惾秸f。

多位業(yè)內人士對「定焦」表示，大模型之間真正顯著的區(qū)別，會在具體的用戶場景或B端的業(yè)務中體現。

“現實世界里我們評價某個人是專家，是因為他在特定領域很厲害。大模型也一樣，要在領域里建立共識，專業(yè)性一定要放到具體的場景里去體現?！蓖跞秸f。

核心的通用能力是基礎，廠商會根據自己所在的領域，差異化發(fā)展。“比如我們跟醫(yī)院和律所接觸，他們其實更關心的是醫(yī)療或法律方面的能力?！壁w小躍說。

對于互聯(lián)網巨頭而言，需要考量的因素相對更多。

除了要對外“接單”，巨頭們已經開始在內部進行大模型的應用端部署。比如騰訊的廣告、游戲、社交、會議等業(yè)務，接入了混元大模型，百度搜索、文庫、百家號等產品早已接入文心大模型，阿里把AI作為各大業(yè)務板塊的驅動力。

大模型對巨頭內部的正面影響究竟有多大，會更難量化評估。

綜合來看，國內大模型還處在起跑的混沌階段，一切都在快速變化中。做出一個大模型的技術壁壘不高，但要做好并真的解決問題，還有很長的路要走。

應受訪者要求，趙小躍為化名。