GPT-4o文科成绩超一本线，理科为何表现不佳？

01 评测榜单

02 实际效果

什么？许多大模型的文科成绩竟然超过了一本线，还是在竞争激烈的河南省？

没错，最近有一项大模型“高考大摸底”评测引起了广泛关注。

河南高考文科今年的一本线是521分，根据这项评测，共有四个大模型的分数大于或等于这个分数，其中最值得关注的是前两名：

GPT-4o：562分

字节豆包：542.5分

……

从结果来看，GPT-4o依旧表现领先，而在国产大模型中，豆包的成绩尤为亮眼。

没体验过OpenAI最新版GPT-4o？快戳最详细升级教程，几分钟搞定：
升级ChatGPT-4o Turbo步骤https://www.zhihu.com/pin/1768399982598909952如何使用WildCard正确方式打开GPT-4o，目前 WildCard 支持的服务非常齐全，可以说是应有尽有！官网有更详细介绍：WildCard

在语文和历史等科目上，豆包超越了GPT-4o。

这让不少网友感叹：

AI在文科成绩上表现如此出色，看来在处理语言和逻辑方面确实有优势。

不过，考虑到国产大模型的竞争如此激烈，这份评测的排名真的靠谱吗？

01 评测榜单

要回答这些问题，我们不妨先查一查豆包在最新的权威评测榜单中的表现是否一致。

首先来看由智源研究院发布的FlagEval（天秤）。

它的评测方式如下：

对于开源模型，FlagEval会综合概率选择和自由生成两种方式来评测；对于闭源模型，FlagEval只采用自由生成的方式来评测，两种评测方式的区别参照。

在主观评测时，部分闭源模型对极小部分题目有拒绝回答的情况，这部分题目并没有计入能力分数的计算。

在“客观评测”这个维度上，榜单成绩如下。

不难看出，在FlagEval的客观评测维度中，前四名的成绩与“高考大摸底”的名次一致。

大模型依旧分别来自OpenAI、字节跳动、百度和百川智能。

并且豆包在“知识运用”和“数学能力”两个维度上的成绩还高于第一名的GPT-4。

如果将评测方式调整至“主观评测”，结果如下。

此时，百度的大模型跃居第一，而字节的豆包依旧稳居第二。

由此可见，无论是主观还是客观维度，前几位的名次都与“高考大摸底”的成绩相当接近。