近日，豆包大模型在火山引擎原動(dòng)力大會(huì)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(cè)試結(jié)果：在 MMLU、BBH、GSM8K、HumanEval等11個(gè)業(yè)界主流的公開評(píng)測(cè)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(cè)試的其他國(guó)產(chǎn)模型。

此次評(píng)測(cè)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(guó)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(jí)版本，通過API調(diào)用進(jìn)行測(cè)試。

圖：豆包模型團(tuán)隊(duì)內(nèi)部測(cè)試結(jié)果

評(píng)測(cè)結(jié)果顯示，在評(píng)估代碼能力的兩個(gè)評(píng)測(cè)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(shí)和指令遵循的評(píng)測(cè)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(guó)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(píng)測(cè)集 CMMLU 和 CEval 的評(píng)測(cè)上也有不錯(cuò)的表現(xiàn)，得分排在前三。綜合11個(gè)公開評(píng)測(cè)集上的測(cè)試成績(jī)，豆包通用模型-pro的總分為76.8分。根據(jù)OpenAI公布的測(cè)試成績(jī)，GPT-4在這些評(píng)測(cè)集上的總分為80.1分，相比國(guó)產(chǎn)模型仍有一定領(lǐng)先優(yōu)勢(shì)。

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(cè)試中。預(yù)計(jì)未來一到兩個(gè)月內(nèi)，很多第三方評(píng)測(cè)機(jī)構(gòu)將會(huì)陸續(xù)披露該模型的評(píng)測(cè)結(jié)果。與模型同名的AI對(duì)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(cè)試。

此前，智源研究院公布了覆蓋全球91個(gè)語言模型的評(píng)測(cè)報(bào)告。在偏重考察中文能力的主觀評(píng)測(cè)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(píng)測(cè)結(jié)果（模型為4月20日之前的版本）