6月24日，认知智能全国重点实验室牵头，联合中国科学院文献情报中心、中国科学院人工智能产学研创新联盟、长三角人工智能产业链联盟发布了《通用大模型评测体系2.0》（以下简称“评测体系2.0”）。

这是该评测体系自2023年6月发布以来的首次重大升级。“评测体系2.0”以技术迭代与产业需求为导向，在评测维度扩展、专项能力深化、评测方法优化等方面实现全面突破，为中国大模型产业发展提供更加科学的标准化支撑。

评测任务扩展至1186项 全模态覆盖引领行业前沿

相比1.0版本的7大能力维度、71类任务类型、481个细分任务，“评测体系2.0”实现了全方位升级。

在任务规模上，“评测体系2.0”涵盖8大类、1186项细分任务，任务规模扩大至近2.5倍；在模态能力方面，从原有的文本/图片单一模态扩展至文本、图片、语音、视频全模态覆盖，新增了多模理解、多模生成、语音交互等能力评测；在语言支持上，从中文为主扩展至中英文并重，支持多语言评测，基础通用认知能力全面支持中英文双语评测。

专项评测精准对接行业需求 赋能行业价值验证

“评测体系 2.0”以行业场景需求为锚点，新增教育、科研等重点专项评测领域，构建起技术与产业深度融合的价值验证桥梁：

面向教育行业，覆盖K12教育领域的多学科知识能力测评，紧贴中国国情的教育体系，从智能备课内容生成的教学场景到个性化学习路径规划的辅学场景，通过标准化评测对模型进行能力验证，驱动大模型在因材施教、智能辅导、教学质量评估等核心应用场景的产业化落地。

面向科研行业，AI4S（AI for Science）专项涵盖了物理、数学、化学、地球与空间科学、生命科学、信息与智能科学等6大科学领域，覆盖98项细分任务场景，评测结果对大模型在科研辅助、假设生成、数据分析等高价值应用中的能力提升具有较高的参考意义。以文献分析场景为例，评测重点验证摘要、总结、翻译、理解、问答等核心能力，通过评测牵引，推动层次化综述生成、动态检索增强知识库问答、多维度论文预审、自适应专业翻译等关键技术突破。

科学评测方法 确保评测标准权威性

为确保评测质量，“评测体系2.0”建立严格的数据构建准则，在确保数据高质量的准则下进行构建：通用任务测试采用来源、题型、类别等多样性采样机制，确保数据真实性和多样性；专项任务测试数据在规范性、可用性、可解释性、合规性4个方面15个子维度进行严格质量把控，并定期刷新（如季度刷新20%）。

在评测方法上，采用“人工+自动”结合模式，以多人主观双盲评测为主，JudgeModel（判断模型）为辅；运用“1+4”评价体系，包含总体评分及相关度、连贯度、完整度、有效度四类分项指标。在安全层面，参照《生成式人工智能服务管理暂行办法》设计2大类16项风险指标，从内容安全、指令安全等维度构建安全评测体系。

引领产业转型 推动标准化建设发展

回顾发展历程，《通用认知智能大模型评测体系》于2023 年6月首次发布，旨在建立多任务客观评测体系，引导行业健康发展。两年来，中国大模型技术快速发展，从“百模大战”到“头部玩家凸显”，涌现出多个具有国际竞争力的模型，产业应用日趋成熟。

今年的《政府工作报告》提出，持续推进“人工智能+”行动，将数字技术与制造优势、市场优势更好结合起来，支持大模型广泛应用。随着大模型能力快速提升，基础benchmark不断刷新高度，测评体系同样需要与时俱进。在注重大模型通用能力提升的同时，行业更需要在专项能力落地上开展深度评测。

此次“评测体系2.0”的升级，通过“全模态+多语言+重点专项”的评测能力进化，将进一步推动中国大模型从技术竞争转向产业价值创造。未来，希望与各个单位共同持续优化评测体系，促进大模型技术及产业健康发展，为全球AI 标准化发展贡献中国方案。