近日，豆包大模型在火山引擎原動力大會上正式發(fā)布。以超低價(jià)格掀起大模型降價(jià)潮的同時(shí)，豆包的模型能力也引發(fā)行業(yè)關(guān)注。

在火山引擎的一份產(chǎn)品資料中，豆包模型團(tuán)隊(duì)公布了一期內(nèi)部測試結(jié)果：在 MMLU、BBH、GSM8K、HumanEval等11個(gè)業(yè)界主流的公開評測集上，Doubao-pro-4k 的總分為76.8分，相比上一代模型云雀Skylark2 的64.5分提升了19%，也優(yōu)于同期測試的其他國產(chǎn)模型。

此次評測在今年5月完成，主要包括豆包通用模型-pro、云雀Skylark2 在內(nèi)的九款國產(chǎn)大語言模型。除了云雀Skylark2 以外，其他模型均為各家廠商最新發(fā)布的高級版本，通過API調(diào)用進(jìn)行測試。

圖：豆包模型團(tuán)隊(duì)內(nèi)部測試結(jié)果

評測結(jié)果顯示，在評估代碼能力的兩個(gè)評測集 HumanEval 和 MBPP 上，豆包相比上一代模型提升了50%左右；在專業(yè)知識和指令遵循的評測集上，豆包分別獲得33%和24%的性能提升，同時(shí)也是得分最高的國產(chǎn)模型。

此外，豆包模型在數(shù)學(xué)能力、語言理解能力，以及綜合評測集 CMMLU 和 CEval 的評測上也有不錯(cuò)的表現(xiàn)，得分排在前三。綜合11個(gè)公開評測集上的測試成績，豆包通用模型-pro的總分為76.8分。根據(jù)OpenAI公布的測試成績，GPT-4在這些評測集上的總分為80.1分，相比國產(chǎn)模型仍有一定領(lǐng)先優(yōu)勢。

據(jù)悉，豆包模型在5月15日剛剛推出，尚未加入到第三方機(jī)構(gòu)測試中。預(yù)計(jì)未來一到兩個(gè)月內(nèi)，很多第三方評測機(jī)構(gòu)將會陸續(xù)披露該模型的評測結(jié)果。與模型同名的AI對話助手“豆包”，官方公布的月活用戶數(shù)已經(jīng)達(dá)到2600萬，用戶可以自由體驗(yàn)測試。

此前，智源研究院公布了覆蓋全球91個(gè)語言模型的評測報(bào)告。在偏重考察中文能力的主觀評測中，云雀Skylark2 排名第一，中文能力超過 GPT-4。

圖：智源研究院語言模型評測結(jié)果（模型為4月20日之前的版本）