ModelScope/EvalScope v0.13.0 发布：大模型评测能力全面升级

ModelScope/EvalScope 是一个专注于大语言模型评测的开源框架，旨在为研究人员和开发者提供标准化、可扩展的模型评估工具。最新发布的 v0.13.0 版本带来了两项重要功能升级，显著提升了框架的评测能力和适用范围。

LLM-as-an-Evaluator 评测模式

本次更新的核心亮点是引入了 LLM-as-an-Evaluator 评测机制。这是一种创新的评估方法，利用大语言模型本身作为评估者来对其他模型的输出进行打分。这种方法特别适合评估那些传统指标难以量化的质量维度，如回答的流畅性、创造性和逻辑性等。

在实际应用中，开发者可以指定任意一个大模型作为"评估者"，通过精心设计的prompt让该模型对被测模型的输出进行评分。这种评估方式更加接近人类专家的判断过程，能够捕捉到传统自动评测指标容易忽略的细微差别。

新增三大评测基准

v0.13.0 版本同时新增了对三个重要评测基准的支持：

1. SimpleQA：一个基础的问答评测集，专注于评估模型在简单问题上的回答能力。这个基准特别适合快速验证模型的基本问答性能。

2. Chinese SimpleQA：针对中文环境的简单问答评测集。考虑到中文语言处理的特殊性，这个基准为中文大模型提供了更贴合的评估场景。

3. LiveCodeBench：一个专注于代码生成和编程问题解决能力的评测基准。随着大模型在编程辅助领域的应用日益广泛，这个基准为评估模型的编码能力提供了标准化的测试环境。

值得注意的是，SimpleQA 和 Chinese SimpleQA 这两个基准需要配合 LLM-as-an-Evaluator 机制使用，因为它们主要评估的是回答的整体质量而非简单的准确性。

技术实现与使用建议

在技术实现上，新版本通过灵活的接口设计，使得用户可以方便地配置评测参数。对于LLM-as-an-Evaluator模式，用户需要指定作为评估者的模型名称及相关参数。评测框架会自动化处理prompt构建、结果收集和分数计算的全过程。

对于希望使用这些新功能的开发者，建议从SimpleQA基准开始尝试，逐步扩展到更复杂的评测场景。在实际应用中，选择与目标应用场景匹配的评估模型非常重要——不同的评估模型可能会对同一回答给出不同的评分。

总结

ModelScope/EvalScope v0.13.0 的发布标志着该框架在评测方法论上的重要进步。LLM-as-an-Evaluator机制的引入为大模型评估开辟了新思路，而新增的评测基准则扩展了框架的应用范围。这些改进使得开发者能够更全面、更深入地评估大语言模型的各种能力，为模型优化和应用落地提供了更可靠的参考依据。