C-Eval 评测基准

评测方法与适用范围

C-Eval是由清华大学、上海交通大学等机构联合提出的中文多学科考试基准，用于评估大模型在中文语境下的学科知识掌握程度。

采用4选1选择题形式，覆盖52个学科。提供zero-shot、few-shot和CoT三种评测设置，通过准确率评估模型能力。包含C-Eval Hard子集（数学、物理、化学等高难度学科）和C-Eval English子集。

共13,948道题，覆盖52个学科（理工、人文、社科、医学等），来源于中国各类考试真题（高考、考研、公务员考试、专业资格考试等）。每题配有标准答案和学科分类。

C-Eval是中文大模型学科知识评测的经典基准，被广泛用于评估国产大模型的中文知识能力。它是衡量模型在中文语境下学科知识掌握程度的重要指标，特别适合评估模型对中国教育体系和考试场景的适应能力，是中文大模型评测的"标配"基准之一。

先确认模型版本、评测日期和提示设置是否一致；不同版本或不同工具链下的结果不能直接横向合并。

单项分数只反映该基准覆盖的能力。实际选型还应结合真实任务、稳定性、速度、价格和安全要求。

星盘保留原始来源入口，并将基准说明与实时排行榜分开呈现，避免把单次榜单快照解释为模型的绝对能力。

这项基准只测量它明确覆盖的那一类任务。分数不能代表一个模型在真实业务中的综合表现、响应速度、稳定性、价格或安全性。

不能因为一个模型在某个单项基准上领先，就认为它在所有任务上都更好；不同任务背后的数据难度、提示设计和评分口径并不相同。

不要用某一时刻的榜单快照替代持续观察。模型版本、评测工具链和题目集都可能变化，跨版本或跨基准的比较需要单独核对。