Awesome

CLiB中文大模型能力评测榜单（持续更新）

目前已囊括128个大模型，覆盖chatgpt、gpt-4o、谷歌gemini、百度文心一言、阿里通义千问、百川、讯飞星火、商汤senseChat、minimax等商用模型，以及qwen2.5、llama3.1、glm4、书生internLM2.5、openbuddy、AquilaChat等开源大模型。
模型来源涉及国内外大厂、大模型创业公司、高校研究机构。
支持多维度能力评测，包括分类能力、信息抽取能力、阅读理解能力、数据分析能力、中文编码效率、中文指令遵从、算术能力。
不仅提供能力评分排行榜，也提供所有模型的原始输出结果！有兴趣的朋友可以自己打分、自己排行！

🔄最近更新
⚓TODO
📝大模型基本信息
📊排行榜
- 综合能力排行榜
  - 10B以下开源大模型排行榜
  - 10B~20B开源大模型排行榜
  - 20B以上开源大模型排行榜
- 分类能力排行榜
- 信息抽取能力排行榜
- 阅读理解能力排行榜
- 数据分析排行榜
- 中文指令遵从排行榜
- 数学基础（算术）能力排行榜
- 中文编码效率排行榜
🌐各项能力评分
⚖️原始评测数据
为什么做榜单？

TODO

将更多大模型加入评测：Claude等等
增加开源大模型的授权协议，注明能否商用
引入更多维度的评测：数学能力、代码能力、开放域问答、多轮对话、头脑风暴、翻译……
评测维度更细分，比如信息抽取可以细分时间实体抽取能力、地址实体抽取能力……
海纳百川，整合各类评测榜单，扩充细分领域榜单（比如教育领域、医疗领域）
加入更多评测数据，使得评测得分越来越有说服力

大模型基本信息

价格单位：元/1m tokens，即元每百万token

model	producer	open-source	price_input	price_output	download	paper	badcase
GLM-4-Flash	智谱AI	No	0.0	0.0	/	link	link
ERNIE-Speed-8K	百度	No	0.0	0.0	/	/	link
internlm2_5-7b-chat	上海人工智能实验室	Yes	0.3	0.3	link	/	link
Yi-1.5-9B-Chat	零一万物	Yes	0.4	0.4	link	link	link
Llama-3.1-8B-Instruct	meta	Yes	0.4	0.4	link	link	link
Doubao-lite-32k	豆包	No	0.3	0.6	/	/	link
glm-4-9b-chat	智谱AI	Yes	0.6	0.6	link	link	link
gemma-2-9b-it	google	Yes	0.6	0.6	link	link	link
qwen2.5-7b-instruct	阿里巴巴	Yes	1.0	2.0	link	/	link
gemini-1.5-flash	google	No	0.5	2.2	/	/	link
gpt-4o-mini	openAI	No	1.1	4.3	/	link	link
...	...	...	...	...	...	...	...

更多模型信息详见：

📊 排行榜

1、综合能力排行榜

综合能力得分为分类能力、信息抽取、阅读理解、数据分析、指令遵从、算术运算六者得分的平均值。 lin
详细数据见total

1.1、商用大模型排行榜（含开源模型的付费API）

（1）输出价格100元及以上商用大模型排行榜

大模型	价格（输出）	分类能力	信息抽取	阅读理解	数据分析	指令遵从	算术运算	总分	排名
gpt-4-turbo	217元	91	90.0	94.0	96.0	83	96.5	91.8	1
讯飞4.0Ultra	100元	88	84.4	96.0	92.7	80	94.3	89.2	2
阿里qwen-max	120元	92	88.9	94.7	99.3	77	79.8	88.6	3
Baichuan4	100元	86	94.1	93.3	95.3	75	78.2	87.0	4
智谱GLM4	100元	92	86.7	90.0	98.0	77	78.0	87.0	5

（2）输出价格10~100元商用大模型排行榜

大模型	价格（输出）	分类能力	信息抽取	阅读理解	数据分析	指令遵从	算术运算	总分	排名
gpt-4o	72.4元	93	96.3	98.0	100.0	83	95.7	94.3	1
百度ERNIE-4.0-Turbo	60元	90	94.8	96.0	98.7	78	97.7	92.5	2
百度ERNIE-4.0	90元	88	89.0	94.7	94.0	79	100.0	90.8	3
GLM-4-Plus(new)	50元	87	91.9	95.3	99.3	81	88.7	90.5	4
Qwen2-72B-Instruct	10元	87	91.1	94.7	90.0	86	94.2	90.5	5
qwen2.5-72b-instruct	12元	92	87.4	92.0	92.7	83	95.5	90.4	6
gemini-1.5-pro(new)	36元	87	90.4	93.3	99.3	75	92.2	89.5	7
minimax-abab6.5-chat	30元	89	87.0	89.3	95.3	76	90.3	87.8	8
Baichuan3-Turbo	12元	88	86.7	94.7	90.7	75	89.2	87.4	9
yi-large	20元	85	91.0	90.0	92.7	77	88.3	87.3	10
minimax-abab6.5s-chat	10元	87	88.0	88.7	88.0	80	91.7	87.2	11
讯飞星火v3.5(spark-max)	30元	87	92.0	89.3	87.3	74	93.5	87.2	12
智谱GLM-4-AirX	10元	89	91.9	92.7	88.0	83	74.2	86.5	13
阿里qwen-plus	12元	88	89.6	90.0	84.0	73	93.0	86.3	14
yi-large-turbo	12元	82	90.0	88.7	86.7	78	87.8	85.5	15
讯飞星火v3(spark-pro)	30元	87	82.0	88.0	86.0	74	94.0	85.2	16
gpt-3.5-turbo	11元	81	83.0	92.7	91.3	77	80.0	84.2	17
Qwen1.5-72B-Chat	10元	89	84.0	88.0	87.3	70	84.8	83.8	18
月之暗面moonshot-v1-8k	12元	92	85.0	84.0	89.3	72	79.3	83.6	19
gemini-1.0-pro(new)	10.8元	84	89.6	92.7	99.3	76	50.8	82.1	20
商汤SenseChat-v4	12元	89	78.5	88.0	86.7	71	72.2	80.9	21
minimax-abab5.5-chat	15元	83	79.0	86.7	72.7	76	39.7	72.8	22

（3）输出价格10元以下商用大模型排行榜

大模型	价格（输出）	分类能力	信息抽取	阅读理解	数据分析	指令遵从	算术运算	总分	排名
yi-lightning(new)	0.99元	94	90.4	95.3	100.0	82	96.0	93.0	1
百度ERNIE-3.5-8K	2元	94	89.6	98.0	100.0	72	100.0	92.3	2
qwen2.5-32b-instruct	7元	91	94.1	96.0	91.3	83	94.0	91.6	3
gpt-4o-mini	4.3元	90	93.3	89.3	100.0	83	92.7	91.4	4
qwen2.5-14b-instruct	6元	89	90.4	94.0	98.0	81	91.5	90.7	5
deepseek-chat-v2	2元	93	88.0	94.0	96.0	76	96.7	90.6	6
豆包Doubao-pro-32k	2元	86	88.1	96.7	86.7	85	98.2	90.1	7
gemini-1.5-flash(new)	2.2元	91	87.4	92.7	97.3	77	91.8	89.5	8
Llama-3.1-70B-Instruct	4.1元	87	88.9	92.0	90.7	79	94.8	88.7	9
yi-medium	2.5元	86	93.0	89.3	94.0	76	89.2	87.9	10
Llama-3-70B-Instruct	4.1元	88	87.0	96.0	95.0	70	90.8	87.8	11
GLM-4-Long(new)	1元	85	93.3	89.3	96.7	80	81.2	87.6	12
qwen2.5-7b-instruct	2元	85	88.1	93.3	91.3	77	89.8	87.4	13
internlm2_5-20b-chat	1元	86	90.4	86.0	97.3	75	89.7	87.4	14
智谱GLM-4-Air	1元	89	91.9	92.7	88.0	83	74.5	86.5	15
qwen2-57b-a14b-instruct	7元	85	88.1	89.3	87.3	77	89.2	86.0	16
Qwen1.5-32B-Chat	7元	91	86.0	92.7	87.3	72	86.8	86.0	17
gemma-2-9b-it	0.6元	85	82.2	88.7	87.3	81	89.3	85.6	18
阿里qwen-long	2元	89	85.9	90.0	86.7	75	83.3	85.0	19
Qwen2-7B-Instruct	2元	89	83.7	86.7	75.3	77	81.3	82.2	20
Qwen1.5-14B-Chat	4元	89	79.0	90.7	90.7	66	77.5	82.2	21
Yi-1.5-34B-Chat	1.3元	90	83.0	82.7	83.3	74	79.0	82.0	22
智谱GLM-4-Flash	0.1元	89	80.0	86.0	82.0	79	75.5	81.9	23
yi-spark	1元	82	88.9	88.0	76.0	72	83.3	81.7	24
百度ERNIE-Speed-8K	0元	88	88.1	88.0	89.3	68	68.7	81.7	25
internlm2_5-7b-chat	0.4元	86	84.4	90.0	83.3	79	59.8	80.4	26
Llama-3-8B-Instruct	0.4元	86	74.0	80.0	90.0	63	89.5	80.4	27
qwen-turbo	6元	83	85.2	88.0	76.0	66	81.3	79.9	28
Yi-1.5-9B-Chat	0.4元	82	83.0	84.7	80.0	72	73.8	79.2	29
Llama-3.1-8B-Instruct	0.4元	63	85.2	82.0	84.0	69	90.5	79.0	30
商汤SenseChat-Turbo	5元	81	77.8	76.7	86.0	72	78.5	78.7	31
豆包Doubao-lite-32k	0.6元	77	86.7	88.7	64.7	62	87.2	77.7	32
Qwen1.5-7B-Chat	2元	80	76.0	76.0	70.7	67	71.2	73.5	33
minimax-abab5.5s-chat	5元	58	57.0	70.7	56.0	49	57.0	58.0	34

旗舰商用模型badcase: gpt-4o | moonshot-v1-8k | deepseek-chat-v2 | yi-large | 更多

1.2、开源大模型排行榜

（1）10B以下开源大模型排行榜

类别	大模型	分类能力	信息抽取	阅读理解	数据分析	指令遵从	算术运算	总分	排名
开源	qwen2.5-7b-instruct	85	88.1	93.3	91.3	77	89.8	87.4	1
开源	gemma-2-9b-it	85	82.2	88.7	87.3	81	89.3	85.6	2
开源	glm-4-9b-chat	90	82.2	90.0	82.0	79	76.5	83.3	3
开源	Qwen2-7B-Instruct	89	83.7	86.7	75.3	77	81.3	82.2	4
开源	internlm2_5-7b-chat	86	84.4	90.0	83.3	79	59.8	80.4	5
开源	Llama-3-8B-Instruct	86	74.0	80.0	90.0	63	89.5	80.4	6
开源	qwen2.5-3b-instruct	81	75.6	78.7	83.3	77	85.7	80.2	7
开源	Yi-1.5-9B-Chat	82	83.0	84.7	80.0	72	73.8	79.2	8
开源	Llama-3.1-8B-Instruct	63	85.2	82.0	84.0	69	90.5	79.0	9
开源	openbuddy-llama3-8b	78	86.0	81.3	79.0	70	63.2	76.2	10
开源	Qwen1.5-7B-Chat	80	76.0	76.0	70.7	67	71.2	73.5	11
开源	internlm2-chat-7b	86	81.0	72.7	82.7	64	42.8	71.5	12
开源	qwen2.5-1.5b-instruct	70	71.9	72.7	63.3	62	83.3	70.5	13
开源	Phi-3-mini-128k-instruct	74	63.0	65.3	73.0	75	71.3	70.3	14
开源	MiniCPM-2B-dpo	79	77.0	74.0	66.0	55	52.7	67.3	15
开源	Qwen1.5-4B-Chat	75	65.0	79.3	63.0	56	53.0	65.2	16
开源	qwen2-1.5b-instruct	73	74.1	68.0	50.7	54	55.7	62.6	17
开源	qwen2.5-0.5b-instruct	52	53.3	63.3	46.0	58	51.8	54.1	18
开源	internlm2-chat-1_8b	69	60.7	63.3	46.0	45	39.7	54.0	19
开源	Qwen1.5-1.8B-Chat	57	58.0	52.7	48.0	46	26.7	48.1	20
开源	qwen2-0.5b-instruct	49	53.3	62.0	36.7	48	35.5	47.4	21
开源	Qwen1.5-0.5B-Chat	44	40.0	60.0	34.7	42	17.2	39.6	22

（2）10B~20B开源大模型排行榜

类别	大模型	分类能力	信息抽取	阅读理解	数据分析	指令遵从	算术运算	总分	排名
开源	qwen2.5-14b-instruct	89	90.4	94.0	98.0	81	91.5	90.7	1
开源	internlm2_5-20b-chat	86	90.4	86.0	97.3	75	89.7	87.4	2
开源	Qwen1.5-14B-Chat	89	79.0	90.7	90.7	66	77.5	82.2	3
开源	internlm2-chat-20b	93	80.0	86.0	88.0	68	63.3	79.7	4
开源	DeepSeek-V2-Lite-Chat	81	76.3	81.3	73.3	69	61.2	73.7	5

（3）30B以上开源大模型排行榜

类别	大模型	分类能力	信息抽取	阅读理解	数据分析	指令遵从	算术运算	总分	排名
开源	qwen2.5-32b-instruct	91	94.1	96.0	91.3	83	94.0	91.6	1
开源	deepseek-chat-v2	93	88.0	94.0	96.0	76	96.7	90.6	2
开源	Qwen2-72B-Instruct	87	91.1	94.7	90.0	86	94.2	90.5	3
开源	qwen2.5-72b-instruct	92	87.4	92.0	92.7	83	95.5	90.4	4
开源	Llama-3.1-70B-Instruct	87	88.9	92.0	90.7	79	94.8	88.7	5
开源	Llama-3-70B-Instruct	88	87.0	96.0	95.0	70	90.8	87.8	6
开源	qwen2-57b-a14b-instruct	85	88.1	89.3	87.3	77	89.2	86.0	7
开源	Qwen1.5-32B-Chat	91	86.0	92.7	87.3	72	86.8	86.0	8
开源	Qwen1.5-72B-Chat	89	84.0	88.0	87.3	70	84.8	83.8	9
开源	Yi-1.5-34B-Chat	90	83.0	82.7	83.3	74	79.0	82.0	10

2、分类能力排行榜

评测样本举例：

将下列单词按词性分类。
狗，追，跑，大人，高兴，树

☛查看分类能力badcase lin 详细数据见classification

3、信息抽取能力排行榜

评测样本举例：

“中信银行3亿元，交通银行增长约2.7亿元，光大银行约1亿元。”
提取出以上文本中的所有组织机构名称

☛查看信息抽取能力badcase lin 详细数据见extract

4、阅读理解能力排行榜

阅读理解能力是一种符合能力，考查针对给定信息的理解能力。依据给定信息的种类，可以细分为：文章问答、表格问答、对话问答……
评测样本举例：

牙医：好的，让我们看看你的牙齿。从你的描述和我们的检查结果来看，你可能有一些牙齦疾病，导致牙齿的神经受到刺激，引起了敏感。此外，这些黑色斑点可能是蛀牙。
病人：哦，真的吗？那我该怎么办？
牙医：别担心，我们可以为你制定一个治疗计划。我们需要首先治疗牙龈疾病，然后清除蛀牙并填充牙洞。在此过程中，我们将确保您感到舒适，并使用先进的技术和材料来实现最佳效果。
病人：好的，谢谢您，医生。那么我什么时候可以开始治疗？
牙医：让我们为您安排一个约会。您的治疗将在两天后开始。在此期间，请继续刷牙，使用牙线，并避免吃过于甜腻和酸性的食物和饮料。
病人：好的，我会的。再次感谢您，医生。
牙医：不用谢，我们会尽最大的努力帮助您恢复健康的牙齿。
基于以上对话回答：病人在检查中发现的牙齿问题有哪些？

☛查看阅读理解能力badcase lin 详细数据见mrc

5、数据分析排行榜

专门考查大模型对表格的理解分析能力，常用于数据分析。
评测样本举例：

姓名,年龄,性别,国籍,身高(cm),体重(kg),学历
张三,28,男,中国,180,70,本科
Lisa,33,女,美国,165,58,硕士
Paulo,41,男,巴西,175,80,博士
Miyuki,25,女,日本,160,50,大专
Ahmed,30,男,埃及,175,68,本科
Maria,29,女,墨西哥,170,65,硕士
Antonio,36,男,西班牙,182,75,博士
基于这个表格回答：学历最低的是哪国人？

☛查看数据分析badcase lin 详细数据见tableqa

6、中文指令遵从排行榜

参考谷歌IFEval，并将其翻译和适配到中文，精选9类25种指令，说明如下： lin

☛查看中文指令遵从badcase

排行榜： lin 详细数据见IFEval

7、数学基础（算术）能力排行榜

考查大模型的数学基础能力之算数能力，测试题目为1000以内的整数加减法、不超过2位有效数字的浮点数加减乘除。举例：166 + 215 + 53 = ？，0.97 + 0.4 / 4.51 = ？

☛查看算术能力badcase lin 详细数据见math

8、中文编码效率排行榜

暂不计入综合能力评分。专门考查大模型编码中文字符的效率，同等尺寸大模型，编码效率越高推理速度越快，几乎成正比。中文编码效率相当于大模型生成的每个token解码后对应的中文平均字数（大模型每次生成一个token，然后解码成真正可见的字符，比如中文、英文、标点符号等）。比如baichuan2、llama2的中文中文编码效率分别为1.67、0.61，意味着在同尺寸模型下，baichuan2的运行速度是llama2的2.7倍（1.67/0.61）。 lin

🌐各项能力评分

评分方法：从各个维度给大模型打分，每个维度都对应一个评测数据集，包含若干道题。每道题依据大模型回复质量给1~5分，将评测集内所有题的得分累加并归一化为100分制，即作为最终得分。

类别	大模型	分类能力	信息抽取	阅读理解	数据分析	指令遵从	算术运算	综合能力
商用	gpt-4o	93	96.3	98.0	100.0	83	95.7	94.3
商用	yi-lightning(new)	94	90.4	95.3	100.0	82	96.0	93.0
商用	百度ERNIE-4.0-Turbo	90	94.8	96.0	98.7	78	97.7	92.5
商用	百度ERNIE-3.5-8K	94	89.6	98.0	100.0	72	100.0	92.3
商用	gpt-4-turbo	91	90.0	94.0	96.0	83	96.5	91.8
开源	qwen2.5-32b-instruct	91	94.1	96.0	91.3	83	94.0	91.6
商用	gpt-4o-mini	90	93.3	89.3	100.0	83	92.7	91.4
商用	百度ERNIE-4.0	88	89.0	94.7	94.0	79	100.0	90.8
开源	qwen2.5-14b-instruct	89	90.4	94.0	98.0	81	91.5	90.7
开源	deepseek-chat-v2	93	88.0	94.0	96.0	76	96.7	90.6
商用	GLM-4-Plus(new)	87	91.9	95.3	99.3	81	88.7	90.5
开源	Qwen2-72B-Instruct	87	91.1	94.7	90.0	86	94.2	90.5
开源	qwen2.5-72b-instruct	92	87.4	92.0	92.7	83	95.5	90.4
商用	豆包Doubao-pro-32k	86	88.1	96.7	86.7	85	98.2	90.1
商用	gemini-1.5-pro(new)	87	90.4	93.3	99.3	75	92.2	89.5
商用	gemini-1.5-flash(new)	91	87.4	92.7	97.3	77	91.8	89.5
商用	讯飞4.0Ultra	88	84.4	96.0	92.7	80	94.3	89.2
开源	Llama-3.1-70B-Instruct	87	88.9	92.0	90.7	79	94.8	88.7
商用	阿里qwen-max	92	88.9	94.7	99.3	77	79.8	88.6
商用	yi-medium	86	93.0	89.3	94.0	76	89.2	87.9
商用	minimax-abab6.5-chat	89	87.0	89.3	95.3	76	90.3	87.8
开源	Llama-3-70B-Instruct	88	87.0	96.0	95.0	70	90.8	87.8
商用	GLM-4-Long(new)	85	93.3	89.3	96.7	80	81.2	87.6
开源	qwen2.5-7b-instruct	85	88.1	93.3	91.3	77	89.8	87.4
开源	internlm2_5-20b-chat	86	90.4	86.0	97.3	75	89.7	87.4
商用	Baichuan3-Turbo	88	86.7	94.7	90.7	75	89.2	87.4
商用	yi-large	85	91.0	90.0	92.7	77	88.3	87.3
商用	minimax-abab6.5s-chat	87	88.0	88.7	88.0	80	91.7	87.2
商用	讯飞星火v3.5(spark-max)	87	92.0	89.3	87.3	74	93.5	87.2
商用	Baichuan4	86	94.1	93.3	95.3	75	78.2	87.0
商用	智谱GLM4	92	86.7	90.0	98.0	77	78.0	87.0
商用	智谱GLM-4-Air	89	91.9	92.7	88.0	83	74.5	86.5
商用	智谱GLM-4-AirX	89	91.9	92.7	88.0	83	74.2	86.5
商用	阿里qwen-plus	88	89.6	90.0	84.0	73	93.0	86.3
开源	qwen2-57b-a14b-instruct	85	88.1	89.3	87.3	77	89.2	86.0
开源	Qwen1.5-32B-Chat	91	86.0	92.7	87.3	72	86.8	86.0
开源	gemma-2-9b-it	85	82.2	88.7	87.3	81	89.3	85.6
商用	yi-large-turbo	82	90.0	88.7	86.7	78	87.8	85.5
商用	讯飞星火v3(spark-pro)	87	82.0	88.0	86.0	74	94.0	85.2
商用	阿里qwen-long	89	85.9	90.0	86.7	75	83.3	85.0
商用	gpt-3.5-turbo	81	83.0	92.7	91.3	77	80.0	84.2
开源	Qwen1.5-72B-Chat	89	84.0	88.0	87.3	70	84.8	83.8
商用	月之暗面moonshot-v1-8k	92	85.0	84.0	89.3	72	79.3	83.6
开源	glm-4-9b-chat	90	82.2	90.0	82.0	79	76.5	83.3
开源	Qwen2-7B-Instruct	89	83.7	86.7	75.3	77	81.3	82.2
开源	Qwen1.5-14B-Chat	89	79.0	90.7	90.7	66	77.5	82.2
商用	gemini-1.0-pro(new)	84	89.6	92.7	99.3	76	50.8	82.1
开源	Yi-1.5-34B-Chat	90	83.0	82.7	83.3	74	79.0	82.0
商用	智谱GLM-4-Flash	89	80.0	86.0	82.0	79	75.5	81.9
商用	yi-spark	82	88.9	88.0	76.0	72	83.3	81.7
商用	百度ERNIE-Speed-8K	88	88.1	88.0	89.3	68	68.7	81.7
商用	商汤SenseChat-v4	89	78.5	88.0	86.7	71	72.2	80.9
开源	internlm2_5-7b-chat	86	84.4	90.0	83.3	79	59.8	80.4
开源	Llama-3-8B-Instruct	86	74.0	80.0	90.0	63	89.5	80.4
开源	qwen2.5-3b-instruct	81	75.6	78.7	83.3	77	85.7	80.2
商用	qwen-turbo	83	85.2	88.0	76.0	66	81.3	79.9
开源	internlm2-chat-20b	93	80.0	86.0	88.0	68	63.3	79.7
开源	Yi-1.5-9B-Chat	82	83.0	84.7	80.0	72	73.8	79.2
开源	Llama-3.1-8B-Instruct	63	85.2	82.0	84.0	69	90.5	79.0
商用	商汤SenseChat-Turbo	81	77.8	76.7	86.0	72	78.5	78.7
商用	豆包Doubao-lite-32k	77	86.7	88.7	64.7	62	87.2	77.7
开源	openbuddy-llama3-8b	78	86.0	81.3	79.0	70	63.2	76.2
开源	DeepSeek-V2-Lite-Chat	81	76.3	81.3	73.3	69	61.2	73.7
开源	Qwen1.5-7B-Chat	80	76.0	76.0	70.7	67	71.2	73.5
商用	minimax-abab5.5-chat	83	79.0	86.7	72.7	76	39.7	72.8
开源	internlm2-chat-7b	86	81.0	72.7	82.7	64	42.8	71.5
开源	qwen2.5-1.5b-instruct	70	71.9	72.7	63.3	62	83.3	70.5
开源	Phi-3-mini-128k-instruct	74	63.0	65.3	73.0	75	71.3	70.3
开源	MiniCPM-2B-dpo	79	77.0	74.0	66.0	55	52.7	67.3
开源	Qwen1.5-4B-Chat	75	65.0	79.3	63.0	56	53.0	65.2
开源	qwen2-1.5b-instruct	73	74.1	68.0	50.7	54	55.7	62.6
商用	minimax-abab5.5s-chat	58	57.0	70.7	56.0	49	57.0	58.0
开源	qwen2.5-0.5b-instruct	52	53.3	63.3	46.0	58	51.8	54.1
开源	internlm2-chat-1_8b	69	60.7	63.3	46.0	45	39.7	54.0
开源	Qwen1.5-1.8B-Chat	57	58.0	52.7	48.0	46	26.7	48.1
开源	qwen2-0.5b-instruct	49	53.3	62.0	36.7	48	35.5	47.4
开源	Qwen1.5-0.5B-Chat	44	40.0	60.0	34.7	42	17.2	39.6

⚖️原始评测数据

包含各维度评测集以及大模型输出结果，详见本项目的eval文件目录

为什么做榜单？

大模型百花齐放，也参差不齐。不少媒体的宣传往往夸大其词，避重就轻，容易混淆视听；而某些公司为了PR，也过分标榜自己大模型的能力，动不动就“达到chatgpt水平”，动不动就“国内第一”。所谓“外行看热闹，内行看门道”，业界急需一股气流，摒弃浮躁，静下心来打磨前沿技术，真真正正用技术实力说话。这就少不了一个公开、公正、公平的大模型评测系统，把各类大模型的优点、不足一一展示出来。如此，大家既能把握当下的发展水平、与国外顶尖技术的差距，也能更加清晰地看明白未来的努力方向，而不被资本热潮、舆论热潮所裹挟。
对于产业界来说，特别是对于不具备大模型研发能力的公司，熟悉大模型的技术边界、高效有针对性地做大模型技术选型，在现如今显得尤为重要。而一个公开、公正、公平的大模型评测系统，恰好能够提供应有的助力，避免重复造轮子，避免因技术栈不同而导致不必要的争论，避免“鸡同鸭讲”。
对于大模型研发人员，包括对大模型技术感兴趣的人、学术界看中实践的人，各类大模型的效果对比，反应出了背后不同技术路线、技术方法的有效性，这就提供了非常好的参考意义。不同大模型的相互参考、借鉴，帮忙大家躲过不必要的坑、避免重复实验带来的资源浪费，有助于整个大模型生态圈的良性高效发展。

大模型选型及评测交流群

lin