6月20日消息，斯坦福大學(xué)的大模型測評榜單HELM MMLU發(fā)布最新結(jié)果，斯坦福大學(xué)基礎(chǔ)模型研究中心主任Percy Liang發(fā)文表示，阿里通義千問Qwen2-72B模型成為排名最高的開源大模型，性能超越Llama3-70B模型。
MMLU（Massive Multitask Language Understanding，大規(guī)模多任務(wù)語言理解）是業(yè)界最有影響力的大模型測評基準(zhǔn)之一，涵蓋了基礎(chǔ)數(shù)學(xué)、計算機(jī)科學(xué)、法律、歷史等57項(xiàng)任務(wù)，用以測試大模型的世界知識和問題解決能力。但在現(xiàn)實(shí)測評中，不同參評模型的測評結(jié)果有時缺乏一致性、可比性，原因包括使用非標(biāo)準(zhǔn)提示詞技術(shù)、沒有統(tǒng)一采用開源評價框架等等。
斯坦福大學(xué)基礎(chǔ)模型研究中心（CRFM，Center for Research on Foundation Models）提出的基礎(chǔ)模型評估框架HELM（A holistic framework for evaluating foundation models），旨在創(chuàng)造一種透明、可復(fù)現(xiàn)的評估方法。該方法基于HELM框架，對不同模型在MMLU上的評估結(jié)果進(jìn)行標(biāo)準(zhǔn)化和透明化處理，從而克服現(xiàn)有MMLU評估中存在的問題。比如，針對所有參評模型，都采用相同的提示詞；針對每項(xiàng)測試主題，都給模型提供同樣的5個示例進(jìn)行情境學(xué)習(xí)，等等。
日前，斯坦福大學(xué)基礎(chǔ)模型研究中心主任Percy Liang在社交平臺發(fā)布了HELM MMLU最新榜單，阿里巴巴的通義千問開源模型Qwen2-72B排名第5，僅次于Claude 3 Opus、GPT-4o、Gemini 1.5 pro、GPT-4，是排名第一的開源大模型，也是排名最高的中國大模型。
據(jù)悉，通義千問Qwen2于6月初開源，包含5個尺寸的預(yù)訓(xùn)練和指令微調(diào)模型，目前Qwen系列模型下載量已經(jīng)突破1600萬。
