双榜夺魁Baichuan2在FlagEval评测中拔得头筹

继SuperCLUE中文大模型评测基准8月榜单发布之后，国内又一权威评测体系FlagEval公布最新9月榜单评测结果。

和前段时间大语言模型领域在各大基准评测中争奇斗艳，你方唱罢我登场的局面不同。夺得这两份重量级榜单榜首的均为刚刚发布的Baichuan 2大模型。

FlagEval是北京智源人工智能研究院推出的大模型评测体系及开放平台，旨在建立科学、公正、开放的评测基准、方法、工具集，协助研究人员全方位评估基础模型及训练算法的性能。FlagEval 大语言模型评测体系当前包含6大评测任务，近30个评测数据集，超10万道评测题目。

FlagEval主观评测全新升级，Baichuan 2排名第一

在9月评测中，FlagEval进行了评测框架升级，细化“安全与价值观”与“推理能力”。依据最新版的能力框架，FlagEval 团队同步更新了智源自建的 Chinese Linguistics amp; Cognition Challenge 主观评测数据集题库v2.0，题目数量扩充3倍，采用“多人‘背靠背’评测+第三方仲裁”的方式保证评测结果的一致性。

基于最新 CLCC v2.0主观评测数据集，重点评测了近期大热的 7 个开源对话模型。从整体结果来看，Baichuan2-13b-chat、Qwen-7b-chat、Baichuan2-7b-chat名列前茅，准确率均超过 65%。

客观评测显示Baichuan 2在中英文领域均全面超越Llama2 在基座模型榜单中，Baichuan 2、Qwen、InternLM、Aquila 的客观评测结果表现均超越同参数量级的 Llama 及 Llama2 模型。

在 SFT 模型榜单中，Baichuan2-13B-chat、YuLan-Chat-2-13B、AquilaChat-7B 名列前三。

在客观评测两个榜单中，Baichuan 2均表现出优异性能，基础模型测试在中英文领域均全面超越Llama2。

当下，国内大模型发展如火如荼，未来，谁能在大模型竞争格局中占据核心地位仍是未知。但不难想象的是，Baichuan 2既已实现对LLaMA2的超越，再加上惊人的迭代速度和良好的开源生态支持，必将推动国内开源生态不断进步、相互促进，对中国大模型行业带来积极影响。