自2023年以來，AI大模型在全球范圍內(nèi)掀起了有史以來規(guī)模最大的人工智能浪潮。國內(nèi)學(xué)術(shù)和產(chǎn)業(yè)界在過去一年也有了實(shí)質(zhì)性的突破。中文大模型測評基準(zhǔn)SuperCLUE在過去一年對國內(nèi)外大模型的發(fā)展趨勢和綜合效果進(jìn)行了實(shí)時跟蹤。

基于此，SuperCLUE團(tuán)隊發(fā)布了《中文大模型基準(zhǔn)測評2023年度報告》，在AI大模型發(fā)展的巨大浪潮中，通過多維度綜合性測評，對國內(nèi)外大模型發(fā)展現(xiàn)狀進(jìn)行觀察與思考。

國內(nèi)大模型關(guān)鍵進(jìn)展012023年大模型關(guān)鍵進(jìn)展與中文大模型全景圖

國內(nèi)學(xué)術(shù)和產(chǎn)業(yè)界在過去一年也有了實(shí)質(zhì)性的突破。大致可以分為三個階段，即準(zhǔn)備期（ChatGPT發(fā)布后國內(nèi)產(chǎn)學(xué)研迅速形成大模型共識）、成長期（國內(nèi)大模型數(shù)量和質(zhì)量開始逐漸增長）、爆發(fā)期（各行各業(yè)開源閉源大模型層出不窮，形成百模大戰(zhàn)的競爭態(tài)勢）。

截止目前為止，國內(nèi)已發(fā)布開源、閉源通用大模型及行業(yè)大模型已有上百個，SuperCLUE梳理了2023年值得關(guān)注的大模型全景圖。

022023年國內(nèi)外大模型發(fā)展趨勢

過去半年，國內(nèi)領(lǐng)軍大模型企業(yè)實(shí)現(xiàn)了大模型代際追趕的奇跡，從7月份與GPT3.5的20分差距，每個月都有穩(wěn)定且巨大的提升，到11月份測評時已經(jīng)完成總分上對GPT3.5的超越。

數(shù)據(jù)來源于SuperCLUE基準(zhǔn)得分(7月-12月)

我們可以看到GPT3.5和GPT4在中文上的表現(xiàn)情況基本一致，在11月份測評結(jié)果中顯示，在中文能力都有一定的下滑，而國內(nèi)頭部模型則展現(xiàn)了繼續(xù)穩(wěn)健提升的能力。在12月份的測評結(jié)果中可以看到，國內(nèi)第一梯隊模型與GPT4的差距在縮小。但仍有較大的距離需要追趕。

數(shù)據(jù)來源于SuperCLUE基準(zhǔn)得分(7月-12月) 說明：趨勢展示，選取了7月-12月SuperCLUE-OPEN測評分?jǐn)?shù)。國內(nèi)代表性模型，選取了文心一言、通義千問、ChatGLM。原因是綜合考慮了過去半年SuperCLUE測評結(jié)果、長期穩(wěn)定迭代及對國內(nèi)大模型生態(tài)的貢獻(xiàn)；GPT4成績，由GPT4-API(7-9月)與GPT4-Turbo(10-12月)組成，用以表現(xiàn)國外最好模型發(fā)展。 ?大模型綜合測評結(jié)果?01測評模型列表

本次測評數(shù)據(jù)選取了SuperCLUE-12月測評結(jié)果，模型選取了國內(nèi)外有代表性的26個大模型在12月份的版本。

02SuperCLUE模型象限

SuperCLUE評測任務(wù)可劃分為基礎(chǔ)能力和應(yīng)用能力兩個維度。

基礎(chǔ)能力，包含：專業(yè)與技能、語言與知識（不包括角色扮演）、傳統(tǒng)安全；

應(yīng)用能力，包括：工具使用、角色扮演。

基于此，SuperCLUE構(gòu)建了大模型四個象限，它們代表大模型所處的不同階段與定位，其中【潛力探索者】代表模型正在技術(shù)探索階段擁有較大潛力；【技術(shù)領(lǐng)跑者】代表模型聚焦基礎(chǔ)技術(shù)研究；【實(shí)用主義者】代表模型在場景應(yīng)用上處于領(lǐng)先定位；【卓越領(lǐng)導(dǎo)者】代表模型在基礎(chǔ)和場景應(yīng)用上處于領(lǐng)先位置，引領(lǐng)國內(nèi)大模型發(fā)展。

03國內(nèi)外大模型總體表現(xiàn)

來源：SuperCLUE, 2023年12月28日

國內(nèi)外差距依然明顯。GPT4-Turbo總分90.63分遙遙領(lǐng)先，高于其他國內(nèi)大模型及國外大模型。其中國內(nèi)最好模型文心一言4.0(API)總分79.02分，距離GPT4-Turbo有11.61分，距離GPT4(網(wǎng)頁)有4.9分的差距。

必須看到的是，過去1年國內(nèi)大模型已經(jīng)有了長足的進(jìn)步。綜合能力超過GPT3.5和Gemini-Pro的模型有11個，比如百度的文心一言4.0、阿里云的通義千問2.0和Qwen-72B-Chat、OPPO的AndesGPT、清華&智譜AI的智譜清言、字節(jié)跳動的云雀大模型等都有比較好的表現(xiàn)。

另外國內(nèi)開源模型在中文上表現(xiàn)要好于國外開源模型，如百川智能的Baichuan2-13B-Chat、阿里云的Qwen-72B、Yi-34B-Chat均優(yōu)于Llama2-13B-Chat。

國外模型平均成績 VS 國內(nèi)模型平均成績

在SuperCLUE測評中，國外模型的平均成績?yōu)?9.42分，國內(nèi)模型平均成績?yōu)?5.95分，差距在4分左右。可以看出，國內(nèi)外的平均水平差距在縮小，11月差距在10分左右。04國內(nèi)大模型競爭格局

通過SuperCLUE測評結(jié)果發(fā)現(xiàn)，國內(nèi)大模型的第一梯隊有了更多新的模型加入。頭部模型如文心一言4.0、通義千問2.0引領(lǐng)國內(nèi)大模型的研發(fā)進(jìn)度，部分高質(zhì)量大模型緊追不舍，分別在閉源應(yīng)用和開源生態(tài)中形成自己獨(dú)特的優(yōu)勢。

來源：SuperCLUE, 2023年12月28日

從國內(nèi)TOP19大模型的數(shù)量來看，創(chuàng)業(yè)公司有9個，大廠有10個，占比幾乎持平。

從大廠和創(chuàng)業(yè)公司的平均成績來看，大廠研發(fā)的大模型平均成績?yōu)?9.42分，創(chuàng)業(yè)公司研發(fā)的大模型平均成績?yōu)?2.09分，差值約6.33分，較11月份差距在略有增大。這說明大廠在大模型競爭中長期資源投入方面有一定優(yōu)勢。

05國內(nèi)大模型歷月前三甲

過去八個月國內(nèi)模型在SuperCLUE基準(zhǔn)上的前三名。

來源：SuperCLUE

曾經(jīng)取得過SuperCLUE月榜首位的大模型有6個。分別是文心一言、BlueLM、SenseChat3.0、Baichuan2-13B-Chat、360智腦。其中，百度的文心一言登頂SuperCLUE月榜的次數(shù)最多，分別在7月、11月、12月取得了SuperCLUE最好成績。

我們可以看到，在國內(nèi)大模型技術(shù)發(fā)展初期階段，各家大模型公司都投入了巨大的人力、算力和數(shù)據(jù)資源，以至于每個月測評結(jié)果的前三甲都不同程度的變化，經(jīng)常會因?yàn)樾掳l(fā)布的高質(zhì)量模型引起榜單的變化。預(yù)計未來一年同樣會發(fā)生類似的情況。也非常期待有高質(zhì)量模型能夠持續(xù)保持非常高的水準(zhǔn)。

06大模型對戰(zhàn)勝率分布圖

從勝率來看，全球領(lǐng)跑者GPT4-Turbo勝率為41.77%，和率為52.46%，大幅領(lǐng)先于其他模型，而敗率僅為5.77%，足以說明GPT4-Turbo對GPT3.5在各項能力上的全面壓倒性優(yōu)勢。而國內(nèi)模型中，百度的文心一言4.0勝率國內(nèi)最高，接近30%。勝率超過25%的模型有智譜清言、通義千問2.0和AndesGPT。

來源：SuperCLUE, 2023年12月28日

在200億參數(shù)量級的開源模型中Baichuan2-13B-Chat的勝率排在首位，展現(xiàn)出不俗的對戰(zhàn)能力。排在2至3位的是XVERSE-13B-2-Chat、Qwen-14B-Chat，同樣表現(xiàn)可圈可點(diǎn)。

從勝率分布數(shù)據(jù)可以發(fā)現(xiàn)，所有模型的和率都在50%以上。這說明國內(nèi)外大部分模型在基礎(chǔ)題目上與GPT3.5的水平相近，隨著任務(wù)難度的提升，不同模型的表現(xiàn)才會有區(qū)分度。后續(xù)的測評數(shù)據(jù)會在題目難度的區(qū)分性和評價顆粒度上加強(qiáng)提升。

07主觀與客觀對比

通過對比模型在主觀簡答題OPEN和客觀選擇題OPT上的不同表現(xiàn)，可以發(fā)現(xiàn)，國內(nèi)大模型多數(shù)擅長做選擇題。普遍選擇題的分?jǐn)?shù)會高于簡答題的分?jǐn)?shù)。

注：計算分值為模型的OPEN分與OPT分值的差值，用以觀察模型在主觀題和客觀題上的不同表現(xiàn)。數(shù)據(jù)來源：SuperCLUE, 2023年12月28日

其中，文心一言4.0和智譜清言表現(xiàn)相對穩(wěn)定，分別為（-13.38）和（-14.01）。GPT-4 Turbo的表現(xiàn)最為穩(wěn)定，差值僅有0.86。

SuperCLUE認(rèn)為，客觀題相對主觀題更容易通過題庫形式進(jìn)行訓(xùn)練和提升；同時也由于客觀題中包含中文特性問題，中文模型自然有一定的優(yōu)勢，所以應(yīng)該綜合來看模型的評測效果。

值得關(guān)注的是，在本次測評中，國外的代表性大模型如GPT4的不同版本、Claude2、Llama2都很好的穩(wěn)定性表現(xiàn)，值得國內(nèi)大模型進(jìn)一步分析研究。

08開源競爭格局

總體上國內(nèi)開源模型表現(xiàn)較好，成績最好的開源模型在中文的某些場景或任務(wù)上接近GPT4，其中Qwen-72B-Chat和Yi-34B-Chat總分上已經(jīng)超過GPT3.5，Baichuan2-13B-Chat也有接近GPT3.5的表現(xiàn)。

來源：SuperCLUE, 2023年12月28日

總體上大版本（如34B）的模型優(yōu)于中小版本(13B、6B)的開源模型，更大的版本（如72B）的模型表現(xiàn)要更好。開源模型的發(fā)展也從最開始的6B，到13B，到現(xiàn)在更大的34B、72B的開源模型。

雖然也有少量大廠（阿里云）參與，但眾多的創(chuàng)業(yè)公司是開源模型的主力，如智譜AI、百川智能、零一萬物和元象科技。

具體內(nèi)容如下