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。以下是我们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。

更多模型评测信息，请关注CLUE中文语言理解测评基准公众号。

评测不足与局限性

1. 它是一个自动化的模型能力测评，没有人类的主观因素；虽然加州伯克利大学/斯坦福大学的相关研究表明（见延伸阅读），自动化测评具有与人类评估的高度一致性（相关系数0.8-0.9），但还需进一步提高自动化测评的准确性。

2. 评估的能力主要是基于SuperCLUE的十大基础能力，即使具有较高的代表性，但并不能保证覆盖了所有能力的评估。

3. 当前各个大模型厂商在快速迭代中，我们报告的其他模型的成绩是8月底的，但各个厂商的快速迭代可能会导致后续相对表现的进一步变化。

4. 在本文中，我们没有测试一些其他但有用的维度。比如，我们没有测试模型的性能问题（推理速度），也还没有测试模型的支持的有效的输入长度。后续可能会进行专门的测试。

联系交流
 （二维码失效可以在公众号后台回复天工加入）   延伸阅读SuperCLUE技术报告：SuperCLUE: A Comprehensive Chinese Large Language Model Benchmark

https://arxiv.org/abs/2307.15020

天工大模型的体验地址：

https://tiangong.kunlun.com/

CLUE官网地址：

https://www.cluebenchmarks.com

SuperCLUE的GitHub地址：

https://github.com/CLUEbenchmark/SuperCLUE

LMSYS文章：Chatbot Arena Leaderboard Week 8: Introducing MT-Bench and Vicuna-33B

相关项目：Alpaca_Eval: A validated automatic evaluator for instruction-following language model