智源公布大模型“成绩单”：国产多模态提速，GPT-4o视觉语言模型第一

AI未来指北特约作者 苏扬

编辑 郑可君

智源研究院（以下简称智源）于12月19日公布了最新一期FlagEval大模型评测榜单，结果显示语言模型的能力趋于稳定，国产多模态模型能力则在快速进化。

FlagEval是智源2023年6月上公布的大模型评测体系，目前已覆盖800+开源、闭源模型以及90多个评测数据集和200万条评测题目。此次评测覆盖国内外100余个开源、闭源的语言、视觉语言、文生图、文生视频、语音语言大模型。

林咏华现场介绍FlagEval新一期评测覆盖的大模型类别

语言模型评测覆盖国内外40多个模型，主客观评测总计2.2万道题目，字节Doubao-pro-32k-preview和OpenAI o1 mini-2024-09-12分别在主观（含价值观）、客观（不含价值观）评测中排行第一。

智源研究院副院长、总工程师林咏华强调，语言模型主观评测仅评测对话模型，重点考察模型的中文能力，“语言模型，针对一般中文场景的开放式问答或者生成任务，模型能力已趋于饱和稳定，但是复杂场景任务上的表现，国内头部语言模型仍然与国际一流水平存在显著差距。”

视觉语言多模态模型（以文字、图片等多模态信息输入，以文本输出）评测，总计采用了2.5万道题目，涉及40个模型，OpenAI GPT-4o-2024-11-20位列第一。

该项评测下排名前5的模型当中，开源模型仅有阿里巴巴Qwen2-VL-72B-Instruct一家。“开源模型数量大增，但商业机构的闭源模型发展速度超过开源模型。”林咏华说。

林咏华在演讲中透露，“较好的开源模型在图文理解任务上，正在缩小与头部闭源模型的能力差距，而长尾视觉知识与文字识别，以及复杂图文数据分析能力仍有提升空间。”

文生图、文生视频多模态模型评测当中，腾讯Hunyuan Image与快手可灵1.5（高品质）分别位居第一，两项评测排名前5均为闭源模型。

林咏华表示，“互联网大厂，尤其短视频大厂，得益于海量高质数据，在文生图、文生视频上进步明显，且第一梯队模型能力接近。”

对于文生图模型，林咏华表示今年上半年参评的模型普遍无法生成正确的中文文字，此次头部模型已经具备该能力，但她也强调复杂场景，复杂数量关系等生成上仍然存在问题。“（参评模型）普遍存在复杂场景人物变形的情况，针对常识或知识性推理任务，大于3的数量关系依然无法处理，涉及中国文化和古诗词理解的场景对于模型而言是不小的挑战。”

而对于文生视频模型，林咏华强调：“画质提升、动态性强，转场流畅，但普遍存在大幅度动作变形、无法理解物理规律、穿模等问题。”

林咏华表示，“因为采用的是无监督学习，所以（我们）不只是发布评测结果，也是对模型能力的探索。”

在林咏华看来，语言模型已经从基础能力攀升，进入复杂应用落地的阶段，而多模态模型的能力明显比上半年优秀，但目前仍然处于能力攀升阶段。

为了确保评测的客观公正，智源表示目前已经就FlagEval的评测方法与工具与全国10余家高校和机构合作，为规避数据集泄露风险以及数据集饱和度问题，本次评测吸纳了近期发布的数据集并持续动态更新评测数据，替换了98%的题目，并提升了题目的难度。

智源强调称开源模型均采用模型发布方推荐的推理代码及运行环境，同时采用统一通用的提示词。在文生视频主观能力、语音大模型能力等评测专项当中，都引入了专家评估团队，且所有人工评测均为多人评价拟合的结果，主观评测每题至少3人阅卷，文生视频则至少有7人阅卷。

尽管在客观、公正上做了大量前置准备，林咏华也不否认目前评测存在的局限性，包括范围局限、时间局限、数据局限等，“中文评测数据的广度、多样性都不如英文，全球学界和开源社区发布的大量数据集都还是英文。”

公开资料显示，类似FlagEval的大模型评测体系还包括上海人工智能实验室的司南（OpenCompass 2.0）、信通院的“方升”、HuggingFace上的Open LLM LeaderBoard等。

以司南为例，在今年1月下旬亮相时对外称其试图将模型在知识、语言、理解、推理和考试等五大能力维度的表现进行量化，其2023年度大模型评测榜单显示，GPT-4 Turbo从150多个模型当中脱颖而出，在各项评测中均获最佳表现。

评测体系琳琅满目，统一的必要性就成了需要关注的问题，对此林咏华持正面态度，她认为（统一）的确会避免很多重复的工作，但也强调不同机构之间在标准、技术上很难对齐，“智源也在组织统一标准的事情，我们也是IEEE大模型评测小组成员，目前联动了30多家相关企业，但这个标准在全球执行，难度还是挺大的。”