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(jì)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(shí)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(jià)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(gè)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(gè)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。