9月19日消息，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（天秤）公布最新9月榜单评测结果。
flagEval（天秤）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。
据悉，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 & CognITion Challenge (CLCC) 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，flagEval（天秤）9月榜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%。
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。
另外，值得注意的是，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。
