内容摘要：#家养智能 HuggingFace 拆建新系统评估开源战凋谢模子，这次测试阿里云通义千问 Qwen-72B 版力压群雄排名第一。值患上看重的是测试也收现部份模子存正在做弊，即针对于基准测试妨碍劣化以患

#家养智能 HuggingFace 拆建新系统评估开源战凋谢模子，拆测试这次测试阿里云通义千问 Qwen-72B 版力压群雄排名第一。建新值患上看重的系统是测试也收现部份模子存正在做弊，即针对于基准测试妨碍劣化以患上到更好的模才名第模被分数，但正在新系统中便被透吐露去了，气通将去那类情景理当会愈去愈多。义千审查齐文：https://ourl.co/104711

驰誉模子托管仄台 HuggingFace 日前操做 300 张 NVIDIA H100 AI 减速卡构建了一个新系统用去测试开源战凋谢的问排网家养智能模子，这次测试操做 MMLU-Pro 等 AI 模子测试散，部份较此前的收现测试散易度有所提降。

该仄台称以前的做弊数据测试散对于目下现古新推出的模子去讲真正在是太简朴了，便像是蓝面拿初中试卷给下中去世魔难同样，因此出法真正实用的拆测试评估模子才气。

而且出于营销战饱吹思考，建新部份模子真践上存正在做弊动做，系统即运用经由劣化的模才名第模被揭示词或者评估配置去为模子提供最佳机缘，何等愿以患上到更下的分数。

那类情景便像是部份 Android 厂商正在妨碍跑分测试时会解冻其余操做释放内存战降降 CPU 操做率，导致借会经由历程外部硬件妨碍降温去患上到更过的基准测试分数。

基于那类原因 HuggingFace 此前构建了 Open LLM Leaderboard，经由历程配置残缺不同的问题下场、不同的排序等去评估模子，会集正在真在天下中用户也可能重现战可比力的下场。

目下现古为了尽可能患上到真正在实用的评估下场，HuggingFace 推出了 Open LLM Leaderboard v2 版，操做 300 张英伟达的 H100 减速卡战数据散对于模子妨碍了重新评估。

正在最新宣告的测试中，阿里云推出的通义千问系列模子逾越 Meta Llama 系列模子成为综开才气最强的模子，患上到第一的详细模子是通义千问 Qwen-72B 版。

这次测试有多少个特色：

• 测试隐现模子参数规模真正在不是越小大越好，也即是有些超小大规模参数的模子才气也不是特意好
• 新的评测实用途理了此前评测易度过低的问题下场，可能更好的反映反映古晨模子的真正在才气
• 有迹象批注 AI 公司匹里劈头闭注于尾要测试，而轻忽了其余圆里的展现，也即是只闭注跑分

那理当是古晨 AI 止业里初次有收略提到测试做弊的讲法，也即是一些斥天商目下现古可能会偏偏重于对于基准测试妨碍劣化以患上到更好的分数，那类情景赫然是短好的，但由于 AI 公司目下现古真正在是太多，那些公司为了展现自己用于饱吹或者融资等目的，只能尽可能劣化分数去吸引人看重。

除了老例的做弊格式中 (即是上里提到的操做劣化后的揭示词战测试配置)，那类针对于基准测试妨碍劣化的做法易以收现，将去止业可能要破费更多时候构建更配合的测试散去评估模子。

---

限时行动推选：开搜AI智能搜查收费无广告中转下场、齐能播放器VidHub反对于挂载网盘云播、阿里云处事器36元/年。