6月20日消息，斯坦福大學的大模型測評榜單HELM MMLU發布最新結果，斯坦福大學基礎模型研究中心主任Percy Liang發文表示，阿里通義千問Qwen2-72B模型成為排名最高的開源大模型，性能超越Llama3-70B模型。
MMLU（Massive Multitask Language Understanding，大規模多任務語言理解）是業界最有影響力的大模型測評基準之一，涵蓋了基礎數學、計算機科學、法律、歷史等57項任務，用以測試大模型的世界知識和問題解決能力。但在現實測評中，不同參評模型的測評結果有時缺乏一致性、可比性，原因包括使用非標準提示詞技術、沒有統一采用開源評價框架等等。
斯坦福大學基礎模型研究中心（CRFM，Center for Research on Foundation Models）提出的基礎模型評估框架HELM（A holistic framework for evaluating foundation models），旨在創造一種透明、可復現的評估方法。該方法基于HELM框架，對不同模型在MMLU上的評估結果進行標準化和透明化處理，從而克服現有MMLU評估中存在的問題。比如，針對所有參評模型，都采用相同的提示詞；針對每項測試主題，都給模型提供同樣的5個示例進行情境學習，等等。
日前，斯坦福大學基礎模型研究中心主任Percy Liang在社交平臺發布了HELM MMLU最新榜單，阿里巴巴的通義千問開源模型Qwen2-72B排名第5，僅次于Claude 3 Opus、GPT-4o、Gemini 1.5 pro、GPT-4，是排名第一的開源大模型，也是排名最高的中國大模型。
據悉，通義千問Qwen2于6月初開源，包含5個尺寸的預訓練和指令微調模型，目前Qwen系列模型下載量已經突破1600萬。
