6月24日，认知智能全国重点实验室联合中国科学院文献情报中心、中国科学院人工智能产学研创新联盟、长三角人工智能产业链联盟，发布《通用大模型评测体系2.0》。相较于1.0版本，新标准在评测规模和技术覆盖面上均有所提升。

　　随着大模型技术趋于成熟，大模型产业竞争焦点正从技术参数转向实用性能，从通用化竞争转向垂直领域深耕。此次评测体系的升级为这一转变提供了有力的标准化支撑。

　　据了解，在评测规模上，2.0版本评测任务从原来的481项大幅扩展至1186项，评测模态从单一的文本、图片扩展到文本、图片、语音、视频的全模态覆盖，实现多模态评测。在语言支持方面，新版评测体系从以中文为主调整为中英文并重，更好地适应大模型国际化发展趋势。

　　2.0版本更关注专项领域的能力。新升级的评测体系以行业场景需求为锚点，新增教育、科研等重点专项评测领域，构建起技术与产业深度融合的价值验证桥梁。为确保评测质量，2.0版本建立了严格的数据构建准则，在确保数据高质量的准则下进行构建：通用任务测试采用来源、题型、类别等多样性采样机制，确保数据真实性和多样性；专项任务测试数据在规范性、可用性、可解释性、合规性4个方面15个子维度进行严格质量把控。在评测方法上，采用“人工+自动”结合模式，以多人主观双盲评测为主，JudgeModel（判断模型）为辅；并建立了“1+4”评价体系，即总体评分加上相关度、连贯度、完整度、有效度四个维度的细分评价。

　　值得一提的是，2.0版本还强化了安全评测，设计了16项风险指标，涵盖内容安全和指令安全两大类别。这一设置契合了当下行业对AI应用安全重视程度不断提升的趋势，为大模型安全部署提供重要保障。（孔繁鑫）