大模型自身的才华横评有两个次要方式。第一种是“基准测试”或“检验形式”，其焦点思路是通过一系列预设的牢固题目问题来评价模型正在特定任务上的暗示，如了解、推理和生成等才华。常见的基准测试蕴含GSM-8K（侧重于数学问题处置惩罚惩罚）、MMLU（笼罩多个学科的知识广度）、TheoremQA（专注于模式逻辑取定理证真）、GPQA（强调对物理常识的了解）。那些测试因其题目问题牢固而容易被“刷分”，也便是把Q/A训练到大模型里，作做分数就会高了，不过仍然供给了有价值的对照信息。另一种方式是“人类评价”或竞技场形式，
