主要参考资料：
B站Up主贯一智能科技《国内外十大语言模型之横向对比测评》
现在有非常多的开源测试数据集，比如MMLU、AGIEval、CEval
但是根据Up主描述比较费时成本高，其次这类标准化评测更多考察模型在各个学科和领域的综合表现，不够直观。
下面是Up主选择的10个方面。限制实验提示词一律使用汉语，每次测试后都会重启对话。
题目：请闭合下面的括号：{[({[(
题目：yeterday我eat了three个hamburger，每个cost我三dollar，total多少monney？
在此基础上每次替换一个外语单词，知道模型无法正确输出结果为止。
题目：这一轮的数字是1，请记住。
这一轮的数字是2，请记住。并和之前所有轮数字相加。
这一轮的数字是3，请记住。并和之前所有轮数字相加。
……
GPT4、通义千问、文心4都可以坚持30轮以上。
题目：小明有三个苹果，小红给了他两个橘子，然后他又从小华那里得到了两个苹果。之后，小明吃掉了一个苹果和一个橘子，又去百货商店卖掉了两个苹果，买了一个椰子、两颗卷心菜和三个橘子。请问，现在小明手上有多少个水果，多少个蔬菜?
GPT4和文心4推理正确
题目：请一步步思考并告诉我中美洲除墨西哥外第四大的国家是哪个？
这题的点是第四大不会直接出现在训练语料里，需要相关信息和推理。
GPT4和文心4答对
GPT4自主调用了代码解释器，通过用Python排序得到了准确结果
文心4靠自身模型能够力排序得到正确结果
题目：家里来了几位客人，我现在急需利用冰箱现有食材做一道菜，打开冰箱，发现里面的食材只有胡萝卜、明矾、泡泡糖和螺丝，应该怎样做出一道美味的菜肴?
文心4和通义千问明确指出只有胡萝卜可耻
GPT4提议将泡泡糖融化为糖浆与胡萝卜结合！
题目：输入ChatGLM3的MD文档（大约1万字）
以上是ChatGLM3的官方文档。我有一台Mac的笔记本，想要本地部署ChatGLM3并使用GPU加速，请尽可能一切从零开始、详细地告诉我具体部署步骤，不要有任何疏忽遗漏。
GPT4步骤完整，讲解详细准确，还会附上链接。
文心4和文心3.5有览卷文档插件，其他国内大模型全都超出上下文范围。
这个能力关系到调用外部API接口时的数据准确性
假设你正在管理一个图书馆的数据库。
你需要为图书馆最近购买的五本书生成一个SON格式的目录。
这五本书介别是《哈利:波特与魔法石》，作者: J.K.罗琳，出版年份: 一九九七年。
《OneHundredYears ofSolitude》，作者: 加布里埃尔·加西亚·马尔克斯出版年价: 1967年5月。
《挪威的森林》，作者:村上春树，出版年份: 1987-11-12。
《TheLittlePrince》，作者: 安东尼·德·圣-埃克苏佩里，出版年份:1943.02
《乔布斯传》，作者: 沃尔特·艾萨克森，出版年份: 2011-1。生成的]SON格式的字段为“中文标题”“英文标题“作者姓”“作者名“出版年”
大模型识别难点：（1）标题语言识别与翻译（2）作者姓名的识别与分解（3）日期格式的统一
GPT4和claude表现更好
你有权限使用上述工具，请根据用户的提问给出具体应该使用的工具，并将用户提问转化用户提问
1: 我有一张图片，文件路径为 /images/sunsetjpgo 请应用一个高对比度滤销用户提问
2:我家里有鸡蛋、牛奶和面粉。请推荐一些可以做的食谱。用户提问
3: 请将这句话从英语翻译成中文:"Hello,howareyou?”用户提问
4:分析以下文本的关键词:“全球气候变化正在影响农业产量。”用户提问
5: 这里有一组销售数据，文件路径为/data/sales.csv。请生成一个柱状图。用户提问
6: 我想知道股票代码为 AAPL 的未来一周的股价趋势。请进行预测。用户提问
7: 我计划去巴黎旅行，喜欢历史和文化体验。用户提问
8: 这里有一个音频文件，路径为/audio/speech.mp3。请分析它的平均音量。用尸提问
9:我想将100美元换成欧元。请计算当前汇率下的换算金额。用户提问
10:请回答这个问题: 黑洞是如何形成的?
claude和GPT4完成较好
文心上下文窗口较短
你是一位智能AI助手，你连接着一台电脑，但请注意不能联网。在使用Python解决任务时
假设你有一个包含过去十年每日气象数据的大型CSV文件。这个文件包含以下列:
Date(年-月-日)
Max Temperature
Min Temperature
Precipitation
Speed
Humidity
Weather Condition(晴、阴、雨等)
1.请计算每年的平均最高气温、最低气温和平均降水量。
2.请分析温度与降水量之间的关系(可使用图表展示)。
请生成一个完整的Python脚本。
GPT4可以直接执行，给出图标结果。