智源FlagEval 12月榜发布，新增鲁棒性评测

FlagEval大语言模型测评榜单12月榜发布，新增大语言模型鲁棒性评测结果，FlagEval平台更新了C-SEM v2.0数据集评测结果，新增了Qwen-72B/1.8B、DeepSeek-67B（Base）模型评测。其中，Qwen-72B-Chat模型主观评测结果准确率达83.6%。北京航空航天大学与智源FlagEval团队共同构建了大语言模型鲁棒性评测方案，分为内容扰动鲁棒性评测和格式扰动鲁棒性评测。