前言
随着越来越多的大语言模型被发布和使用，如何对大模型的能力进行评测（LLM Evaluation）成为一个新的课题，本篇对大模型评测的基础知识做简要综述介绍。
为什么需要做大模型评测
对大模型做评测的必要性来源于以下多方面原因：
- 模型好坏的统一判断标准：如果不构建一个客观公正和定量的模型评测体系，则无法判断众多大模型之间的能力高低，用户无法了解模型的真实能力和实际效果。
- 模型迭代优化的依据：对于开发者而言，如果不能定量评估模型的能力，则无法跟踪模型能力的变化，无法知道模型的优势和劣势，从而无法有针对的指定模型提升策略，影响模型的迭代升级。
- 监管安全的要求考虑：对于法律、医疗等关乎社会安全的领域，需要对大模型进行系统的评测，以确认大模型适合在该领域进行使用，而不会造成安全事故。
- 领域基础模型的选择依据：在不同的领域下，大模型的能力表现各有优劣，需要引入评测体系对大模型在各个领域下的能力进行统一测试，选择出最适合该特定领域的大模型作为基座，从而更好的产业落地。
需要评测大模型的哪些能力
大模型评测大致包含自然语言处理、知识能力、领域模型、对齐评测、安全性等多个方面，其中自然语言处理是相对简单的的测评任务，包含NLU自然语言理解和NLG自然语言生成，NLU中包括情感分析、文本分类、信息抽取等典型任务，NLG包括机器翻译、自动摘要等任务。
传统的NLP任务大多是为了衡量特定且相对简单的能力而设计的，而大型语言模型已经展示了各种新的能力，并将评估重点转移到更一般和复杂的技能上，如广泛的世界知识和复杂的推理。大模型在预训练过程中吸收了海量数据的知识，因此需要对大模型的知识能力进行考量，相比于NLP任务，知识能力使得大模型更加接近一个智能体。
知识能力测评包含知识问答、逻辑推理、工具学习等方面，一般的通过Prompt提示语使得大模型回忆起在预训练过程中学到的知识，来完成知识问答任务；CoT思维链的方式，能够使得模型能够逐步思考，从而解决逻辑推理类的任务；**工具学习（Tool Learning）**的目标是让大模型能够根据人类的指示和操作来使用工具，以解决特定任务，比如让大模型调用搜索引擎或者API，将搜索返回结果融合预训练知识来增强答案生成。
相比于通识知识，垂直领域的知识能力对于产业落地更加重要，因此还存在各个垂直领域的知识测评，包括教育、医疗、金融、法律等大模型，该测评用于选择合适的大模型作为垂直领域的模型基座。
额外的，除了NLP任务和知识能力，大模型回答内容的对齐性也在测评的范畴之内。对齐性是指大模型的回答需要符合人类价值观和偏好。一般的，期望大模型的回答不能违背伦理道德，不能带有偏见歧视等内容，另一方面需要测评大模型回答的真实性，防止生成不准确或缺乏事实精确性的内容，导致该问题的原因可能在训练数据集包含错误的细节、过时的事实，甚至是故意的错误信息，从而损害了大语言模型的真实性。
最后还需要考察大模型的安全性，大模型不能生成有害的内容，同时需要具备一定的鲁棒性，以防止故意向模型输入一些微小的扰动，使得模型输出有害的内容，给模型安全带来威胁。
如何评测大模型
大模型评测分为客观评测和主观评测。客观评测是有标准答案的，一般通过问答题、选择题的形式输入给大模型，让大模型回答出答案和正确答案进行比对。
对于NLP任务，采用特定任务的评价指标来考量大模型，比如文本分类使用准确率，机器翻译使用BLEU来打分。对于知识能力，通过做题的方式来考量大模型，形如中文评测数据集C-EVAL构造了多个垂直领域的选择题，通过回答的正确率来评测大模型。另外对于Base模型和Chat模型，对于Base模型需要在Prompt中加入一定的范例，而Chat模型由于经过了指令微调和RLHF，一般直接采用对话的方式即可获得模型输出的答案。
主观评测一般使用在没有标准答案的场景，比如让多个大模型基于题目写一篇作文，如何评价它们输出的作文质量的高低，此时可以采用人工介入打分的方式，也可以引入一个裁判模型对这些作文进行打分。
全文完毕，后续将分享大模型测评数据集、大模型测评框架的使用和实践。
