大模型测评基准I:纯文本基准


1. 通用推理

名称 发布时间 简介 规模 评测指标
2020 年 The Pile 的独立测试集,覆盖 个多领域子数据集,涵盖学术论文、书籍、代码、网页、法律文档及在线对话等,主要用于评估语言模型的跨领域语言建模能力。 214,584 PPL / BPB
2019 年 问题来自真实 Google 搜索查询,要求模型结合 Wikipedia 文档定位长答案并提取短答案,同时判断文档中是否存在答案,评估模型的长文档理解、答案定位与问答能力。 7,842
2017 年 问题由知识问答爱好者编写,配有从 Wikipedia 和网页收集的证据文档。问题与证据之间常存在词汇差异,需要整合多句话定位答案,评估模型的事实知识、阅读理解与跨句推理能力。 10,832 EM / F1
2019 年 围绕日常生活中的物理常识与操作任务,给定一个目标和两个候选方案,要求选出更合理、可行的方案。评估模型对物体属性、工具用途及物理交互的理解与常识推理能力。 3,084 Accuracy
2019 年 以指代消解(判断代词 如 it、she 指代句中的哪个人或物)为核心,给定句子与两个候选对象,要求根据语境补全空缺、确定正确指代。采用对抗过滤减少词语关联等数据偏差,评估模型的常识推理与语境理解能力。 1,767
2019 年 围绕日常活动与事件续写,给定一段情境描述,从四个候选续写中选择最合理的后续情节。干扰选项通过对抗过滤筛选,语法自然但语义不合常理,评估模型的事件预测、情境理解与常识推理能力。 10,003
2022 年 由研究社区协作构建的综合能力评测合集,论文收录 204 个任务,覆盖语言理解、数学、常识推理、代码、多语言与社会偏差等领域。包含静态题目与可编程交互任务,用于考察模型的多维能力、泛化表现与规模增长规律。 1-2M 归一化均分
2022 年 BIG-Bench 的轻量代表性子集,精选 个 JSON 格式任务,覆盖推理、代码、多语言及偏差测量等能力。不包含需要复杂交互的可编程任务,便于以更低评测成本比较模型的综合表现 5K 归一化均分
2022 年 BIG-Bench Hard,从 BIG-Bench 中筛选出 类高难度任务,原研究中的模型尚未超过这些任务的人类平均表现。覆盖逻辑、算术、符号与常识推理,重点考察多步推理能力,常用于研究思维链(CoT)提示的效果。 6,511


2. 多学科知识

名称 发布时间 简介 规模 评测指标
2018 年 来自中小学科学考试的多项选择题(4 选项 QA)。ARC-Challenge 收录检索和词共现基线均无法答对的题目,重点考察模型的科学知识运用与推理能力。 1,172
2023 年 面向大学阶段的定理驱动型科学问答基准,涵盖数学、物理、电子工程与计算机科学、金融四大领域,包含约 354 个定理和 800 道问题,重点评估模型运用专业定理解决跨学科科学问题的知识与推理能力。 800
2020 年 MMLU(Massive Multitask Language Understanding)是一个涵盖 57 个学科四选一题目的综合知识评测基准,用于评估大语言模型在 STEM、人文、社会科学及专业领域的知识与理解能力。 14,042
2024 年 对 MMLU 进行人工审核与重新标注的修正版,旨在纠正错误答案与歧义题目;抽样发现约 6.49% 的题目存在错误。 5,700 Accuracy
2024 年 MMLU 的增强版,覆盖 14 个学科领域,通过引入更复杂的问题、将选项从 4 个增加至 10 个,并过滤简单及存在噪声的题目,提高评测的区分度。 12,032
2023 年 以人类标准化考试为基础构建的综合评测基准,涵盖中国高考、SAT、LSAT、数学竞赛及公务员考试等,覆盖语言理解、数学推理、逻辑推理和多学科知识(客观选择题和填空题)。 8,062 Accuracy
EM / F1
2023 年 C-Eval(Chinese Evaluation Suite)是面向中文语境的综合性学科四选一评测基准,覆盖 STEM、人文、社会科学等 52 个学科,包含初中、高中、大学和专业四个难度层级。 12,342
2023 年 面向中文语境的综合性多学科知识评测基准,覆盖 STEM、人文、社会科学及其他领域的 67 个学科。相比 C-Eval,CMMLU 更注重中国特有的文化与区域知识,涵盖中国饮食文化、驾驶规则、古汉语等特色主题,并兼顾全球通用知识,用于评估模型在中文语境下的知识储备与推理能力。 11,582


3. 事实真实性与可靠性评测

名称 发布时间 简介 规模 评测指标
2021 年 专门针对人类常见误解设计的问答基准,覆盖健康、法律、金融、政治等 38 个类别,通过容易引发常见误解的问题,评估模型回答的真实性与准确性。 817


4. 数学推理

名称 发布时间 简介 规模 评测指标
2021 年 GSM8K(Grade School Math 8K)是小学数学应用题基准,主要评估模型的多步算术推理能力。 1,319
2021 年 MATH(Mathematics Aptitude Test of Heuristics)是高中竞赛数学评测基准,覆盖代数、几何、数论、组合与概率等 7 个数学领域,包含 5 个难度等级,主要评估模型的复杂数学推理能力。 5,000
2024 年
2025 年
AIME(American Invitational Mathematics Examination,美国数学邀请赛)是高中竞赛数学评测,题目涉及代数、几何、数论与组合等领域,答案为 0–999 的整数,主要评估模型的高难度数学推理能力。 30 / 年


5. 代码能力

名称 发布时间 简介 规模 评测指标
2021 年 人工编写的 Python 函数生成基准,要求模型根据自然语言描述实现函数,并通过单元测试验证代码的功能正确性。 164
2021 年 MBPP(Mostly Basic Programming Problems)是面向入门程序员的 Python 代码生成基准,要求模型根据自然语言描述生成函数,并通过单元测试验证正确性。 500
2024 年 针对 HumanEval 的数据污染、难度饱和等问题,从 LeetCode、AtCoder 和 Codeforces 持续收集新竞赛题目,通过时间划分降低数据污染风险,并扩展至代码修复、执行预测及测试输出预测等任务。 511
2024 年 面向 Python 代码理解与执行推理的基准,包含简短 Python 函数及其输入输出对,设置 CRUXEval-I(给定代码和输出反推输入)与 CRUXEval-O(给定代码和输入预测输出)两项任务。 800


6. 专家级科学推理

名称 发布时间 简介 规模 评测指标
2023 年 GPQA(Graduate-Level Google-Proof Q&A Benchmark)是由领域专家编写的研究生级科学问答四选一基准,涵盖生物、物理和化学,重点评估专业科学知识与推理能力。 448
2023 年 GPQA 的高质量困难子集,要求领域专家认可答案且多数非专家无法正确作答,重点评估高难度科学推理能力。 198
2025 年 SuperGPQA 是覆盖 、285 个研究生级细分学科的大规模多学科问答基准,包含约 2.65 万道选择题,平均每题 9.67 个选项。数据经人类专家与大模型协同筛选,重点评估模型在长尾专业领域的知识理解与复杂推理能力。 26,529


7. 对话与人类偏好评测

名称 发布时间 简介 规模 评测指标
2023 年 面向开放式对话的大语言模型评测基准,包含 80 组两轮问题,覆盖写作、角色扮演、信息抽取、推理、数学、代码、STEM 与人文社科等 8 类任务,重点评估模型的多轮对话与指令遵循能力。 80
2023 年 Chatbot Arena 是基于匿名模型两两对战的众包人类偏好评测平台,用户同时与两个匿名模型交互并选择更优回答,用于评估模型在真实开放式对话场景中的人类偏好。 30K Win Rate
Elo
2023 年 IFEval(Instruction-Following Eval)是面向大语言模型指令遵循能力的评测基准,包含 541 个带有可验证指令的 Prompt,覆盖 25 类约束,包括关键词、语言、长度、格式及标点等,重点评估模型对明确、可验证指令的执行能力。 541


8. 安全性与对齐评测

名称 发布时间 简介 规模 评测指标
2023 年 面向大语言模型安全防护能力的评测基准,仅包含不应被模型直接遵从的有害或风险性问题,覆盖隐私与敏感信息泄露、恶意用途、歧视与仇恨、错误信息及人机交互风险等 5 大领域。 939 Accuracy