评测与质量基准测试Benchmark也称榜单 / 测评基准用同一套题或任务比较不同模型表现的标准测试怎么理解比较模型时,如果给它们完全不同的问题,分数就不好比较。基准测试会约定题目、评分方法和测试条件,像大家参加同一张考卷。举个例子想比较两个模型的代码能力,可以让它们完成同一批编程题,再用同样的检查方法看有多少题做对。排行榜上的一些分数就是这样得到的。补充说明考卷成绩不等于日常所有任务的表现。选工具时,还应该用你自己的报告、表格或代码试一下,并看速度和费用。