告别刷榜！ReLE 为大模型做全维度深度体检

本文针对当前大模型评估中存在的“评价危机”，介绍了ReLE评估范式。背景是传统基准测试分数分布坍缩、区分度下降，且单一的标量分数无法全面反映模型能力。研究目的是通过ReLE系统，采用动态方差感知调度器和正交能力矩阵，对304个中文大模型进行高效、深度的能力诊断，揭示其能力各向异性。结论表明，模型排名稳定性差，不存在通用的“SOTA”模型；商业与开源模型在不同领域各有优劣；评估应转向“能力组合管理”，根据具体场景选择合适模型。