天工大模型测评揭晓，文理兼顾，跻身中文闭源模型第一梯队｜SuperCLUE

本测评结果仅用于学术研究

天工大模型简介  

天工大模型是昆仑万维自研的千亿级大语言模型，于今年 4 月 17 日首发内测。近日，CLUE 社区发现「天工」大模型 v3.5 在多个评测数据集上表现抢眼，尤其在推理评测集 GSM8K 上超过了 GPT-3.5 和 LLaMA2-70B，引起了 CLUE 社区众多开发者广泛热议。

那么，天工大模型在我们的测评集上是否能有不错的表现？与国内外大厂以及科研机构开发的代表性模型相比相对表现如何；在一些比较关注的能力上，如生成与创作、逻辑推理、代码生成，表现怎么样？我们基于 SuperCLUE 综合性测评基准，包括多轮开放式问题测评 SuperCLUE-OPEN 和三大能力客观题测评 SuperCLUE-OPT，用 3337 道题对天工大模型进行了全方位测评。

测评环境

参考标准：SuperCLUE 综合性测评基准

评测模型：天工大模型 v3.5.20230915.a

评测集：共 3337 道中文题，其中 623 道简答题和 2714 道选择题。包括基础能力、学术专业、中文特性三大评测维度的 74 个评测任务。

模型 GenerationConfig 配置：

generate_length: 2048

repetition_penalty: 1

temperature: 0.8

top_k: 3

top_p: 1

测评方法：本次测评为自动化评测，具体评测方案可查阅 SuperCLUE 综合性测评标准。本次测评经过人工抽样校验。

先说结论

结论 1：在 SuperCLUE 基准上，天工大模型在综合能力上处于中文闭源模型第一梯队，是一个很有竞争力的大模型。

结论 2：天工大模型进一步缩小中文闭源模型与 GPT3.5 的差距。

结论 3：天工大模型是一个能力均衡的大模型，各个任务上表现无明显短板，并且在语言理解、计算和逻辑推理能力上较为突出。

以下是从定量和定性两个角度对模型进行的测评分析。

测评分析

1、 定量分析

我们参考 8 月 SuperCLUE 榜单的国内外代表性模型，用以对比天工大模型的表现。

SuperCLUE 大模型综合评测

注：总分=50%*OPEN+50%OPT

通过测评结果我们可以看到，在 8 月 superclue 评测集上天工大模型在国内闭源模型中表现不俗。天工大模型在十大基础能力上的表现

注：十大能力分数为 OPEN 分数和 OPT 分数的加权平均

通过评测结果我们可以看到，天工大模型在十大任务上非常均衡，并且通过与中文闭源模型平均成绩对比发现，天工大模型在在各项任务上均在平均线之上，这在当前的中文模型中较为罕见。

小结：

从评测数据我们发现，天工大模型在综合能力上表现非常抢眼，在总分上处于国内大模型第一梯队，并且能力非常均衡无明显短板，在语言理解、生成创作、计算、逻辑推理方面都表现不错。需注意的是，本次评测的天工大模型为 9 月 15 日更新版本，对比的其他国内模型为 8 月评测结果，后续 SuperCLUE 会进一步对比。

2、定性分析通过一些典型示例，对比定性分析天工大模型的特点。

逻辑与推理

在本示例的第一轮问题中，两个模型都回答正确。其中 gpt-3.5-turbo 的答案比较简洁，天工大模型推理步骤相对完整。而在第二个问题中，gpt-3.5-turbo 未能准确回答出正确答案，虽然也包含了一些可能影响王老太太说话数量的因素，但它没有明确指出这是因为闰年二月有 29 天。天工大模型则直接给出了问题的答案。本示例中天工表现更好一些。

计算

在本示例中，两个模型都给出了正确的一阶和二阶导函数，并且详细解释了计算过程，所以从正确性和计算过程评估，两个模型表现相当。

生成与创作

两个模型都很好地回答了用户问题。天工大模型的回答更注重道出生活的哲理，强调的是希望的力量和意义。gpt-3.5-turbo 的回答更像是一个实际的生存故事。从实用性、相关性、准确性、深度和创造性来看，两个模型的回答都很好。

语言理解与抽取

在本示例中，天工大模型识别出了文本中的每个环节都包含积极的情感元素。它的回答深入、准确，并且直接回应了用户的问题。gpt-3.5-turbo 的回答采取了逐步分析的方式，识别出了文本开头的消极情绪，然后逐步指出了积极情感的出现和占据主导地位。这种回答方式也是准确和详细的，但提供了更多的步骤和细节。所以综合来看，两个模型的答案都非常不错。

小结：

从定性分析的示例我们可以发现，天工大模型几个关键基础能力上很接近 gpt-3.5-turbo，尤其在逻辑与推理、计算方面有很不错的表现。

来源：互联网