智谱 AI 发布了专为中文大语言模型（LLM）而生的对齐评测基准 AlignBench，这是目前第一个针对中文大模型的评测基准，能够在多维度上细致评测模型和人类意图的对齐水平。AlignBench 的数据集来自于真实的使用场景，经过初步构造、敏感性筛查、参考答案生成和难度筛选等步骤，确保具有真实性和挑战性。数据集分为 8 个大类，包括知识问答、写作生成、角色扮演等多种类型的问题。为了实现自动化和可复现性，AlignBench 采用评分模型（如 GPT-4 和 CritiqueLLM）为每个模型的回答打分，代表其回答质量。评分模型具有多维度、规则校准的评分方法，提高了模型评分和人类评分的一致性，并提供了细致的评测分析和评测分数。开发者可以利用 AlignBench 进行评测，并使用评价能力较强的打分模型（如 GPT-4 或 CritiqueLLM）进行评分。通过 AlignBench 网站，提交结果可以使用 CritiqueLLM 作为评分模型进行评测，大约 5 分钟即可得到评测结果。