豆包大模型披露評測成績,較上一代“云雀”提升19%

近日,豆包大模型在火山引擎原動力大會上正式發(fā)布。以超低價格掀起大模型降價潮的同時,豆包的模型能力也引發(fā)行業(yè)關(guān)注。

在火山引擎的一份產(chǎn)品資料中,豆包模型團隊公布了一期內(nèi)部測試結(jié)果:在 MMLU、BBH、GSM8K、HumanEval等11個業(yè)界主流的公開評測集上,Doubao-pro-4k的總分為76.8分,相比上一代模型云雀Skylark2的64.5分提升了19%,也優(yōu)于同期測試的其他國產(chǎn)模型。

此次評測在今年5月完成,主要包括豆包通用模型-pro、云雀Skylark2在內(nèi)的九款國產(chǎn)大語言模型。除了云雀Skylark2 以外,其他模型均為各家廠商最新發(fā)布的高級版本,通過API調(diào)用進行測試。

圖:豆包模型團隊內(nèi)部測試結(jié)果

評測結(jié)果顯示,在評估代碼能力的兩個評測集 HumanEval和 MBPP上,豆包相比上一代模型提升了50%左右;在專業(yè)知識和指令遵循的評測集上,豆包分別獲得33%和24%的性能提升,同時也是得分最高的國產(chǎn)模型。

此外,豆包模型在數(shù)學能力、語言理解能力,以及綜合評測集 CMMLU和 CEval的評測上也有不錯的表現(xiàn),得分排在前三。綜合11個公開評測集上的測試成績,豆包通用模型-pro的總分為76.8分。根據(jù)OpenAI公布的測試成績,GPT-4在這些評測集上的總分為80.1分,相比國產(chǎn)模型仍有一定領(lǐng)先優(yōu)勢。

據(jù)悉,豆包模型在5月15日剛剛推出,尚未加入到第三方機構(gòu)測試中。預計未來一到兩個月內(nèi),很多第三方評測機構(gòu)將會陸續(xù)披露該模型的評測結(jié)果。與模型同名的AI對話助手“豆包”,官方公布的月活用戶數(shù)已經(jīng)達到2600萬,用戶可以自由體驗測試。

此前,智源研究院公布了覆蓋全球91個語言模型的評測報告。在偏重考察中文能力的主觀評測中,云雀Skylark2排名第一,中文能力超過 GPT-4。

圖:智源研究院語言模型評測結(jié)果(模型為4月20日之前的版本)

2024-05-27
豆包大模型披露評測成績,較上一代“云雀”提升19%
近日,豆包大模型在火山引擎原動力大會上正式發(fā)布。以超低價格掀起大模型降價潮的同時,豆包的模型能力也引發(fā)行業(yè)關(guān)注。在火山引擎的一份產(chǎn)品資料中,豆包模型團隊公布了一期內(nèi)部測試結(jié)果:在 MMLU、BBH、GSM8K、HumanEval等11個業(yè)界

長按掃碼 閱讀全文