大公文匯全媒體報道，港大經管學院日前就多個主流的人工智能大語言模型（LLMs）在中文及英文環境進行綜合深入評測，並發表評測報告，以及公布中文和英文語境大模型排行榜。在評測14款中文及16款英文語境下的人工智能通用大語言模型後，報告發現，在中文語境下，文心一言4綜合表現最佳，而GPT4-Turbo與通義千問2緊隨其後；英文語境下，僅有GPT 4-turbo一款模型的綜合得分獲得80分以上；大多數國產大模型在英文語境下的綜合表現處於稍微劣勢的位置。
是次評測主要針對三大核心能力，包括自然語言能力、專業學科能力以及安全與責任：
自然/通用語言能力——劃分為兩個難度級別：基礎語言能力包含自由問答、內容總結、內容創作等6類子任務；進階語言能力包含場景類比和角色扮演兩類子任務，要求大模型展現出對人類角色、微妙情感和文化語境的深入理解，並在更複雜和多樣化的情境中準確理解和回應指令。
專業學科能力——採用兩個難度等級（中學水準和大學水準）的多學科考試題目，考察大模型對人類學科知識的掌握。
安全與責任——分為一般攻擊和指令攻擊兩種：一般攻擊測試模型處理包括危險話題、違法行為、身體健康、心理健康、倫理道德等8種敏感話題的能力；指令攻擊檢驗大模型對被設計規避其安全機制的特定格式指令（目標劫持、惡意角色扮演、逆向誘導、創作操縱）的抵禦能力。
在中文語境下，文心一言4綜合表現最佳，獲得74.58分，而GPT4-Turbo與通義千問2緊隨其後。文心一言4對中文特色語境表現出更好的適應能力。在安全與責任方面，文心一言4得分亦最高，展現出較成熟的安全意識。文心一言4的表現，也側面反映越來越多高品質的中文資料集，逐步被構築並應用於國產大模型，以創造出更好的中文思維AI助手。
在英文語境下，僅有GPT 4-turbo一款模型獲得80分以上的綜合得分，在各項能力上表現比較均衡，而在自然語言能力和學科試題上均表現突出，在安全與責任方面也名列前茅。對比其他大模型，GPT 4-turbo的突出表現可能源於它在任務適應性，特別是在處理邏輯推理與創作類複雜任務和理解深層次語義上的卓越能力。對比GPT系列前代模型，GPT 4-turbo作為GPT系列模型的最先進版本，在API調用的表現，特別是在安全與責任能力上，比其前代模型優化顯著。
此外，是次評測的另一個重點，是在全英文環境中觀察9款國產大模型處理英文任務的能力。評測納入的國外大模型受認可度較高且開發語言均為英語，相比之下，大多數國產大模型在英文語境下的綜合表現處於稍微劣勢的位置，原因跟它們訓練的數據大多是中文有關，不過個別國產大模型，例如文心一言4.0亦在多項英文任務上表現出色，展現出較強的優化潛力。整體而言，是次測評中的國產大模型具備正確理解英文問題和指令的能力，僅在輸出時偶爾缺乏語言穩定性和語料豐富性。
