基准测试（Benchmark）

基准测试在固定的数据集上为模型打分，让不同系统能在同等条件下进行比较。一个被广泛引用的例子是 MMLU（Hendrycks 等人，2021），它考察从数学到法律共 57 个学科的知识与推理能力。

基准测试必不可少，但并不完美：训练数据污染可能让成绩虚高，而且在固定测试中拿到高分，并不能保证模型在你具体的真实提示词上表现良好——这也是 MultipleChat 让你直接用自己的问题比较模型的原因之一。