MIT科技评论：讯飞星火被评为中国“最聪明”的大模型

国内“千模大战”下，谁是最聪明的大模型？《麻省理工科技评论》中国最新发布的大模型评测报告给出了答案。

(资料图片)

报告显示，在8个一级大类的600道题目的测试和盲评中，讯飞星火认知大模型V2.0在6个大类中得分率排名第一，在此次评测中表现突出，以81.5分（百分制计）的成绩在本次评测中登顶，荣获“最聪明”的国产大模型称号。

大模型评测综合得分率

4个大模型各项能力雷达图

《麻省理工科技评论》中国从研发和商业化能力、外界态度以及发展趋势等维度全方位检测大模型的能力，力图评出“最聪明”的国产大模型。选取了“讯飞星火”“百度文心一言”“商汤商量”“阿里通义千问”作为中文大模型平台的代表，展开系统、科学的评测。

本次评测使用的测试集包含600道题目，覆盖了语言专项、数学专项、理科综合、文科综合、逻辑思维、编程能力、综合知识、安全性共8个一级大类，126个二级分类，290个三级标签，并针对问题的丰富性和多样性做了优化。

在题目类型上，为了兼顾定量、定性的评价与测试，设置了“单选”“多选”“填空”“简答”4种题型，分别有145道、138道、136道和181道。大模型评测体系使用盲评方式，客观评估国产大模型的聪明程度。

作为“最聪明”的大模型的基础能力，语言专项评测包含对话理解、多语种、讽刺、古诗词理解、文本生成、要点总结、情感分析、语义判断等61个二级分类，题型则以简答为主。结果显示，讯飞星火以85.73%的得分率排名第一，明显高于平均值。

语言专项评测得分率

数学专项评测，是“最聪明”大模型必不可少的评测维度。本次评测包含代数、几何、解方程、复杂数学、统计学等 9 个二级分类，以选择题为主。

其中，讯飞星火以77.75%的得分率名列第一，远高于平均得分率 56%，其他平台得分率基本相当。报告称，在大模型普遍“数学不好”的情况下，讯飞星火这一成绩颇为难得，其在数学专项上的领先同样体现在二级分类的评分结果上，在77.8%的二级分类中得分率第一，远超其他平台，初步判断其擅长几何与情景应用。

数学专项评测得分率

作为体现大模型“聪明程度”不可或缺的“硬核”部分，理科综合评测包含表格问答、化学、生物、物理、医学 5 个二级分类，题型上以单选和简答为主。

评测结果中，讯飞星火78.50%的得分率排名第一。另外，讯飞星火在理科综合大类下 80% 的二级分类评测中得分率为第一，化学与生物较为突出。

理科综合评测得分率

逻辑思维也是“最聪明”大模型的重要体现，本次逻辑思维评测在逻辑推理、思维链等方面设计了较多的题目，包含类比、常识推理、空间方位、演绎推理、逻辑谬误检测、因果推理等 19 个二级分类，题型上相对平均，其中填空题最多，多选题最少。

在逻辑思维题目中，讯飞星火以81.25%的得分率名列第一，明显高于72.6%的平均值。此外，讯飞星火在逻辑思维63.2%的二级分类问题上得分率第一。逻辑思维对于大模型真正理解物理世界相当重要。

逻辑思维评测得分率

编程能力是大模型比较高阶的能力，本次的编程能力评测包含 ASCII、ASCII码识别、Python、代码、代码修正、计算机 6 个二级分类，其中 Python 主要以简答形式评估大模型的代码生成能力和正确率，其他则以客观题的形式考察。

结果显示，讯飞星火80%的得分率明显高于 71%的平均值，其他平台得分率基本相当。值得一提的是，在许多人关心的生成代码的简答题单项上，讯飞星火的得分率高达82%，远高于其他平台，表现颇为亮眼。

编程能力评测综合得分率

作为比较难的评测维度，综合知识对大模型的“聪明”程度要求也很高，涉及的题目较杂，包含百科问答、常识、科学知识、事实问答、工作技巧、谜语等13个二级分类，题型以多选为主。

在综合知识评测上，讯飞星火以 80.61%的得分率排名第一，在84.6%的二级分类上得分率第一，初步显示出在百科问答和历史人文上的“过人之处”。

综合知识评测得分率

报告指出，在本轮大模型评测中，讯飞星火以 81.5分的成绩拔得头筹，成为“最聪明”的国产大模型。

讯飞星火在编程能力、理科综合、逻辑思维、数学专项、语言专项和综合知识这 6 个一级大类中得分率排名第一，在此次评测中表现十分全面，尤其是在代码生成、数学能力、理科与逻辑等方面优势明显，是本次“最聪明的理科生”。

值得一提的是，从题型角度来看，主观简答题中讯飞星火凭借83.98%的得分率位居第一；而在客观题上，讯飞星火以75.7%的得分率排名第一，在主客观题型中均有良好表现。

标签：