OpenCompass大模型评测框架0.4.0版本发布：支持更多模型与基准测试

OpenCompass作为一款开源的大模型评测框架，致力于为研究人员和开发者提供全面、客观的模型评估能力。该框架支持多种主流大语言模型在不同任务上的性能评测，帮助用户了解模型的实际表现。近日，OpenCompass团队正式发布了0.4.0版本，带来了一系列重要更新和功能增强。

核心功能升级

本次0.4.0版本最引人注目的更新之一是增加了对Longbenchv2的支持。Longbenchv2是一个专注于评估大模型长文本处理能力的基准测试集，能够更全面地测试模型在长上下文理解、信息提取和连贯性生成等方面的表现。这一更新使得OpenCompass在长文本评估领域的能力得到了显著提升。

另一个重要更新是新增了对InternLM3系列模型的支持。InternLM3是近年来备受关注的大语言模型系列，其优秀的性能表现使其成为研究热点。通过OpenCompass框架，研究人员现在可以方便地将InternLM3与其他主流模型进行横向对比评测。

评测方法创新

在主观评价方法方面，0.4.0版本将Bradley-Terry主观评价方法扩展到了Arena Hard数据集。Bradley-Terry模型是一种经典的配对比较统计方法，能够通过模型间的两两对比结果计算出相对排名。这一方法在Arena Hard数据集上的应用，使得对模型在困难任务上的表现评估更加科学和准确。

同时，团队还在CompassArenaBradleyTerrySummarizer中新增了预测胜率功能。这一改进使得评测结果更加直观，研究人员可以直接看到不同模型在对比中的相对优势程度，为模型选择提供了更丰富的信息。

基准测试扩展

本次更新还引入了MMLU-CF基准测试支持。MMLU-CF是对原有MMLU测试集的扩展和改进，覆盖了更广泛的知识领域和更复杂的推理任务。这一基准的加入进一步丰富了OpenCompass的评测维度，使模型评估更加全面。

此外，LiveMathBench也获得了更新，确保这一数学能力评测工具保持前沿性。数学推理能力是大语言模型的重要评估维度，LiveMathBench的更新使得数学能力评估更加精准和具有挑战性。

技术优化与改进

在技术架构方面，0.4.0版本进行了重要的代码重构工作，优化了项目结构，提高了代码的可维护性和扩展性。特别是对OpenAI模型类的重构，使得这部分代码更加清晰和易于维护。

针对开发者体验，团队修正了OpenAI模型中max_out_len参数的逻辑问题，确保模型输出的长度控制更加准确可靠。同时，CI管道的路径冲突问题也得到了解决，提高了持续集成的稳定性。

文档与社区建设

为帮助新用户更快上手，0.4.0版本更新了添加新数据集的文档说明，使扩展自定义数据集的过程更加清晰明了。安装指南也经过了修订，反映了最新的环境配置要求和方法。

值得一提的是，本次更新迎来了多位新贡献者的加入，他们为MMLU-CF基准支持、文档改进等工作做出了重要贡献，展现了OpenCompass社区日益壮大的活力。

总结

OpenCompass 0.4.0版本的发布标志着这一评测框架在功能丰富度、评测科学性和用户体验等方面都迈上了新的台阶。通过支持更多前沿模型和基准测试，优化评测方法，改进技术架构，该项目正逐步成为大模型评测领域的重要基础设施。对于从事大语言模型研究和应用开发的团队来说，这一版本提供了更加强大和便捷的评测工具，有助于推动整个领域的技术进步。