2024-06-19 16:42:23

图说：参加高考的6个开源模型和GPT-4o的语数英成绩 来源/上海人工智能实验室（下同）

高考已经告一段落，一群“特殊考生”最先出分！

今年高考甫一结束，上海推出的大模型开源开放评测体系“司南”就选取6个开源模型及GPT-4o进行高考“语数外”全卷能力测试。评测采用全国新课标I卷，参与评测的所有开源模型，开源时间均早于高考，确保评测“闭卷”性。同时，成绩由具有高考评卷经验的教师人工评判，更加接近真实阅卷标准。

结果怎么样呢？“大模型高考”的前三甲得分率均超70%，大部分模型“考生”语文、英语科目表现良好，但在数学方面还有很大的提升空间。

大模型考生比拼新课标I卷

高考，目前已普遍被研究者用于考察大模型的智能水平。

司南评测体系团队选取了GPT-4o及在2024年高考前开源的6个模型，考生分别是——

Mixtral 8x22B：法国AI创业公司Mistral于2024年4月17日开源的对话模型；

Yi-1.5-34B：零一万物公司于2024年5月12日开源的Yi-1.5系列最大的模型；

GLM-4-9B：智谱AI于2024年6月4日推出的最新一代预训练模型GLM-4系列的开源版本；

InternLM2-20B-WQX：上海人工智能实验室于2024年6月4日开源的书生·浦语2.0系列文曲星大语言模型；

Qwen2-57B：阿里巴巴于2024年6月6日开源的Qwen2系列MoE对话模型；

Qwen2-72B：阿里巴巴于2024年6月6日开源的72B稠密模型；

司南评测体系团队称，因无法确定闭源模型的更新时间，为公平起见，此次评测没有纳入商用闭源模型，仅引入GPT-4o作为评测参考。

司南评测体系首次采用高考全卷测试的形式，选取新课标I卷“语数外”三科题目作为测试集。因受测的开源模型均为大语言模型，在评测过程中，仅输入文字题干（数学包含2道带图试题），英语听力部分（分值30分）不纳入此次评测。

首个大模型高考全卷评测结果显示，Qwen2-72B、GPT-4o及书生·浦语2.0文曲星（InternLM2-20B-WQX）成为此次“大模型高考”的前三名，在总分420分的语数英三科较量中，三位“考生”的总分分别是303分、296分和295.5分。

语言能力“不错” 数学“一般”

司南评测体系团队介绍，大部分模型在“语言”本质上的表现良好，语文平均得分率为67%，英语更是达到了81%。

数学则是所有大模型的短板，平均得分率仅为36%。得益于研究团队在数学推理上的投入，InternLM2-20B-WQX取得了75分，在所有受测模型中排名第一——但仍未达到及格水平，这表明大模型的数学能力存在较大提升空间。

参与评测的所有开源模型，权重均在2024年6月7日高考题目公布前开源，避免了“数据污染”和“刷题”风险，与真实高考严格的“闭卷考试”一致，不存在“作弊”可能。

与以往多采用高考客观题考察模型的方式不同，本次测试研究团队使用了语数外三科的全卷试题，既包含选择、填空等“答案唯一性”题目，也包括简答、阅读理解及作文等主观题，在更加接近真实高考的环境中测试模型能力。

为贴近高考评卷模式，联合团队邀请多位具有阅卷经验的高中教师对模型主观题答案评分，每份考卷至少由3位教师分别打分。对于统一回答但教师评分悬殊的情况，则会再次进行复核，尽量避免“争议判卷”的出现。

联合团队认为，如同高考阅卷也存在细微差异，由于主观题类型的引入，本次评测也无法做到绝对的公平。但同时由于主观题的存在，本次测评能够在真实环境中从人的视角考察大模型能力，为学术界和产业界提供更有价值的指标参考。

阅卷前不知道“考生”身份

本次阅卷采用与高考一致的完全匿名形式，所有大模型答卷均进行了匿名处理，避免阅卷教师产生“先入为主”的观念。在阅卷开始前，阅卷教师未被告知答卷均由模型生成，使阅卷教师完全以面对真实考生的标准评判回答效果。

在完成所有大模型答卷的评卷工作后，阅卷教师被告知所评“考生”的真实身份为大模型。研究人员同时邀请各科教师对大模型表现进行了整体分析，为模型能力提升策略提供参考。

“语文阅卷组”认为：模型的现代文阅读理解能力普遍较强，但是不同模型的文言文阅读理解能力差距较大。大模型作文更像问答题，虽然有针对性但缺乏修饰，几乎不存在人类考生都会使用举例论证、引用论证、名人名言和人物素材等手法。

“数学阅卷组”指出：大模型的主观题回答相对凌乱，且过程具有迷惑性，甚至出现过程错误但得到正确答案的情况。大模型的公式记忆能力较强，但是无法在解题过程中灵活运用。

“英语阅卷组”表示：整体表现良好，但部分模型由于不适应题型，在七选五、完形填空等题型得分率较低。大模型英语作文普遍存在因超出字数限制而扣分的情况，而人类考生多因为字数不够扣分。

司南评测体系团队告诉记者，后续将在评测中引入多模态大模型，以考察模型应对更多题型的能力，并陆续发布覆盖不同学科和地区的完整高考评测。