以下是关于国内外大模型测评的相关内容：
在 2023 年度的中文大模型基准测评中：
国内外大模型总体表现方面，90.63 分遥遥领先，高于其他国内大模型及国外大模型。国内最好模型文心一言 4.0（API）总分 79.02 分，距离 GPT4-Turbo 有 11.61 分，距离 GPT4（网页）有 4.9 分的差距。过去 1 年国内大模型有长足进步，综合能力超过 GPT 3.5 和 Gemini-Pro 的模型有 11 个，如百度的文心一言 4.0、阿里云的通义千问 2.0 和 Qwen 72B-Chat、OPPO 的 AndesGPT、清华&智谱 AI 的智谱清言、字节跳动的云雀大模型等。在 SuperCLUE 测评中，国外模型平均成绩为 69.42 分，国内模型平均成绩为 65.95 分，差距在 4 分左右，且国内外平均水平差距在缩小，11 月差距在 10 分左右。阿里云的 Qwen-72B、Yi -34B-Chat 均优于 Llama2-13B-Chat。 国内大模型竞争格局方面，从大厂和创业公司的平均成绩来看，大厂与创业公司差值约 6.33 分，较 11 月份差距在增大，说明大厂在大模型竞争中长期资源投入方面有一定优势。过去八个月国内模型在 SuperCLUE 基准上的前三名情况如下：12 月和 11 月的第一名是文心一言 4.0，10 月第一名是 BlueLM，9 月第一名是 SenseChat3.0，8 月第一名是 Baichuan2-13B-Chat，7 月第一名是文心一言（网页 v2.2.0），6 月第一名是 360 智脑，5 月第一名是 360 智脑。第二名在不同月份分别是通义千问 2.0、Moonshot 等。 主观和客观对比方面，通过对比模型在主观简答题 OPEN 和客观选择题 OPT 上的不同表现，国内大模型多数擅长做选择题，普遍选择题分数高于简答题分数。文心一言 4.0 和智谱清言表现相对稳定，分别为（13.38）和（-14.01），GPT-4 Turbo 的表现最为稳定，差值仅有 0.86。SuperCLUE 认为，客观题相对主观题更容易通过题库形式进行训练和提升，同时由于客观题中包含中文特性问题，中文模型有一定优势，应综合来看模型的评测效果。国外的代表性大模型如 GPT4 的不同版本、Claude2、Llama2 都有很好的稳定性表现，值得国内大模型进一步分析研究。