人工智能（AI）模型的发展速度让人眼花缭乱，技术开发者们在不断提升其性能的同时，也引发了用户对于模型表现真实度的疑虑。为了解决这一问题，由杰弗里・辛顿(Geoffrey Hinton)创办的 Vector Institute 为人工智能研究推出了《评估现状研究》。该研究通过互动排行榜对11个顶尖的开放源代码和闭源模型进行了全面评测，涵盖了数学、通用知识、编码、安全性等16个基准。
Vector Institute 的 AI 基础设施与研究工程经理约翰・威尔斯（John Willes）表示:“研究人员、开发者、监管者和最终用户可以独立验证结果，比较模型性能，并构建自己的基准和评估，从而推动改进和责任的落实。”
图源备注：图片由AI生成，图片授权服务商Midjourney
在这次评估中，表现最好的模型包括 DeepSeek 和 OpenAI 的 o1，而表现较差的模型则是 Command R+，后者在测试中显示出较低的性能，这主要是因为其是测试中规模最小且最老的模型。
研究发现，闭源模型在复杂的知识和推理任务中通常表现优于开放源代码模型，但 DeepSeek 的优秀表现表明开放源代码模型也能够保持竞争力。威尔斯指出:“在简单任务中，这些模型相当有能力，但随着任务复杂度增加，我们发现推理能力和理解能力大幅下降。”
此外，所有11个模型在评估实际问题解决能力的 “代理性基准” 上都面临挑战，特别是在软件工程和其他需要开放式推理和规划的任务中，仍有很长的路要走。为了解决这一问题，Vector Institute 开发了多模态巨量多任务理解（MMMU）基准，评估模型处理图像和文本的能力。
在多模态理解的评估中，o1展现了 “卓越” 的能力，尤其是在不同格式和难度水平下。而威尔斯强调，当前仍需更多努力以实现真正的多模态系统，能够统一处理文本、图像和音频输入。
针对评估中的挑战，威尔斯指出，评估泄露是一个重要问题，即模型在熟悉的评估数据集上表现良好，但在新数据上却不再出色。他认为，开发更具创新性的基准和动态评估将是解决这一问题的关键。
