下面进行天鹰AquilaChat-7B与ChatGLM-6B内测结果进行对比，其中ChatGLM-6B的结果来自https://github.com/THUDM/ChatGLM-6B，假设ChatGLM-6B的结果是可靠的，那么为了公平，天鹰AquilaChat-7B也使用这些Prompt进行测试。
天鹰AquilaChat-7B介绍
测试内容从自我认知、提纲写作、文案写作、邮件写作助手、信息抽取、角色扮演、评论比较和旅游向导这八个角度进行测试对比。
核心结论：
1、关于自我认知、提纲写作方面，ChatGLM-6B相比天鹰AquilaChat-7B要好一些，优点和缺点条例比较清晰；
2、在文案写作方面，两个模型都表现不错，ChatGLM-6B生成的10个新闻进行了换行，而天鹰AquilaChat-7B没有换行；
3、在写邮件方面，天鹰AquilaChat-7B格式上欠佳，缺少发件人占位符；
4、在信息抽取方面，天鹰AquilaChat-7B比ChatGLM-6B略胜一筹，提取的信息更全面；
5、在角色扮演方面，天鹰AquilaChat-7B要差很多，而且还生成了无意义的“啊”；
6、在主观评论方面，ChatGLM-6B和天鹰AquilaChat-7B都表现的比较理智和客观，没有模型个人观点；
7、在旅游向导方面，两个模型表现都不错，ChatGLM-6B条理清晰，而天鹰AquilaChat-7B缺少条理
综述所述，在ChatGLM-6B给出的8大示例中，明显是ChatGLM-6B占上风，这似乎也不太公平，后面会使用其他的Prompt再进行测试对比实验。
自我认知
ChatGLM-6B
天鹰AquilaChat-7B
提纲写作
ChatGLM-6B
天鹰AquilaChat-7B
文案写作
ChatGLM-6B
天鹰AquilaChat-7B
邮件写作助手
ChatGLM-6B
天鹰AquilaChat-7B
信息抽取
ChatGLM-6B
天鹰AquilaChat-7B
角色扮演
ChatGLM-6B
天鹰AquilaChat-7B
评论比较
ChatGLM-6B
天鹰AquilaChat-7B
旅游向导
ChatGLM-6B
天鹰AquilaChat-7B
原文作者：ArronAI；如有侵权，请联系管理员删除。
最新文章
- LLM之RAG实战（四十三）| 使用模型监控pipeline构建端到端RAG Pipeline
- MLLM（二）| 阿里开源视频理解大模型：Qwen2-VL
- MLLM（一）| 文/图生视频任务大升级，BigModel 开源了视频模型CogVideoX
- LLM之RAG理论（十二）| RAG和Graph RAG对比
- LLM之RAG实战（四十二）| 如何在LlamaIndex和LangChain中正确选择RAG开发框架
- LLM之Prompt（四）| OpenAI、微软发布Prompt技术报告
- LLM漫谈（七）| 使用PyTorch从零构建LLM
- LLM之RAG实战（四十）| 使用LangChain SQL Agent和MySQL搭建多层RAG ChatBot
- LLM之RAG实战（三十九）| 高级RAG技术全面解析（附代码）
- LLM之RAG理论（十一）| 面向生产的RAG应用程序的12种调整策略指南
