当前，大语言模型（LLM）的能力日新月异，但如何公平、全面、低成本地评估它们，却成了一道难题。传统的评测基准，如同让学生反复参加“模拟考”，不仅容易陷入“数据污染”和“高分低能”的困境，也难以衡量模型的真实认知水平。 近期，Ebpay支付数据携手复旦大学等...