夜雨聆风现在各类LLM让人眼花缭乱，各类第三方的评测报告也是层出不穷，你是否想过这些大模型的评测到底是怎么做的，怎样快速对模型能力进行评估和生成报告，今天我们一起来用AI快速制作一个可以一键生成评测报告的基础LLM评测工具，了解模型评测背后的基本原理和方式。
一、LLM评测的核心原理
LLM评测的原理其实很清晰，主要是：提问 → LLM回答 → 与标准答案对比 → 多维度打分
通过向被测LLM提出问题，然后将LLM的回答与提前准备好的标准答案进行对比评估，从你需要的维度进行打分。这里面的每一步都可以借助其他模型来自动完成。例如可以用第三方模型提前准备好测试题库，也可以在评测时由模型动态生成评测问题。评估的环节，也可以用三方模型针对回答质量进行对比评估，为了降低随机性，可以进行多轮测试，最终生成总结报告。
而这其中的每个环节都可以用AI自动化：
二、LLM评测维度
这个可以直接与你的Vibe Coding进行沟通确定，可以让AI自由发挥，自行确定评测维度，也可以从下列表中选取一些维度来测试。目前LLM常用的评测维度有很多，为了方便演示，我们只采用基础能力测试。
三、生成评测工具脚本
与你的Vibe Coding工具进行沟通来创建评测脚本，也可以直接使用以下提示词：
请你新建一个llm_eval.py文件，专门用于评测模型：#程序执行流程：1. 进入程序后让我选择要测试的模型，裁判模型，题目数量，轮数2. 评测时自动生成对应数量的题目和标准答案，用生成的题目向目标模型提问3. 用裁判模型对比标准答案，从准确性、有用性、无害性、诚实性、流畅性几个维度对模型测试结果进行评估4. 将评估结果汇总生成一个包含雷达图的评测报告5. 测试中我需要你显示当前过程，例如等待回答、评估中、评估结果、开始第n轮测试。#注意事项：1. 评估模型问答时需要按照标准答案来评估的，禁止根据裁判模型的主观判断2. 报告包含综合评价，雷达图打分，优劣势总结，不要过于冗长
建议先使用Plan模式，看看模型的计划过程再生成评测代码。
程序运行效果
模型评测过程
评测报告部分截图
总结
用AI评测AI，本质上是让模型"互相考核"。这种方法虽然不是绝对严谨，但足以帮你在众多模型中筛选出相对更适合你场景的那个。通过本文中的示例，可以快速了解LLM评测中的核心代码流程，实际评测过程中往往还需要借助更加专业严谨的工具，不妨继续与你的Vibe Coding进行沟通打磨，将其完善成一个高可用的评测工具。
