近日，豆包大模型在火山引擎原动力大会上正式发布。以超低价格促销大模型降价潮的同时，豆包的模型能力也引发行业关注。
在火山引擎的一份产品资料中，豆包模型团队发布了一期内部部分测试结果：在 MMLU、BBH、GSM8K、HumanEval 等11个行业主流的公开评测集上，Doubao-pro-4k 的总分为76.8分，相比上一代模型云雀Skylark2 的64.5分提升了19%。这也优于同期测试的其他国产模型。
此次评测在今年5月完成，主要包括豆包括通用模型Pro、云雀Skylark2以及内的九款国产大语言模型。除了云雀Skylark2以外，其他模型均为各家厂商最新发布的高级版本，通过API调用进行测试。
☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 免费无限量使用 DeepSeek R1 模型☜☜☜
图：豆包模型团队内部测试结果
立即进入“豆包AI人工智官网入口”；
立即学习“豆包AI人工智能在线问答入口”；
根据评测结果显示，在评估代码能力的两个评测集"HumanEval"和"MBPP"上，豆包相比上一代模型提升了50%左右；在专业知识和指令遵循的评测集上，豆包分别获得33%和24%的性能提升，同时也是得分最高的国产模型。
除了数学能力、语言理解能力，以及综合评测集BCMMLU和CEval的评测上也有不错的表现。得分排在前三。综合11个公开评测集上的测试成绩，豆包通用模型-pro的总分为76.8分。根据OpenAI公布的测试成绩，GPT-4在这些评测集上的总分为80.1分，相比国产模型仍有一定领先优势。
据悉，豆包模型于5月15日刚刚推出，尚未加入到第三方机构测试中。预计未来一到两个月内，很多第三方评测机构将会陆续披露该模型的评测结果。与模型同名的AI助手"豆包"，官方公布的月活用户数已经达到2600万，用户可以自由体验测试。
此前，智源研究院公布了覆盖全球91个语言模型的评测报告。在偏重考察中文能力的主观评测中，云雀Skylark2排名第一，中文能力超过GPT-4。
图：智源研究院语言模型评测结果（模型为4月20日之前的版本）
