请问评测的原理是什么呀，是人工打分的吗，如果是客观题是直接比较返回的答案的字符串，主观题是人工评判答案吗

[starplatinum3]

[elmliu]

参考项目论文实验的Evaluation Metrics部分，封闭式选择题就是算准确度，开放式的题目用GPT4判断两两模型间谁的回答更优秀，计算每个模型的胜出率

[Cloud-Iris]

原论文中有详细的介绍，在这里：

在附录中也有一部分是关于 Evaluation Metrics 的。这个 issue 感觉可以 close 了。