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《通用大模型评测体系2.0》。

相比2023年6月发布的1.0版本，此次升级发布的2.0版本以产业需求为导向，在评测维度扩展、专项能力深化、评测方法优化等方面实现突破。

在评测规模上，评测任务从原来的481项大幅扩展至1186项，评测模态从单一的文本、图片扩展到文本、图片、语音、视频的全模态覆盖。在语言支持方面，新版评测体系从以中文为主调整为中英文并重，更好地适应大模型国际化发展趋势。

新升级的评测体系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，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。

为确保评测质量，“评测体系2.0”建立了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。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；并建立了“1+4”评价体系，即总体评分加上相关度、连贯度、完整度、有效度四个维度的细分评价。

此外，新版评测体系还特别强化了安全评测，设计了16项风险指标，涵盖内容安全和指令安全两大类别。这一设置契合了当下行业对AI应用安全重视程度不断提升的趋势，为大模型安全部署提供重要保障。