El Instituto de Inteligencia Artificial de Beijing (BAAI) ha lanzado el modelo de evaluación JudgeLM, capaz de evaluar de manera eficiente diversos modelos de lenguaje grande y generar puntuaciones. JudgeLM, en comparación con GPT-4, tiene un costo de solo 1/120, con una consistencia en los resultados de evaluación superior al 90%. JudgeLM es aplicable a diversas situaciones de evaluación, incluyendo texto puro y multi-modal, generando puntuaciones y explicaciones. La consistencia de JudgeLM con las respuestas de referencia supera el 90% en los mejores casos, acercándose al rendimiento humano. El Instituto de Inteligencia Artificial de Beijing (BAAI) ha publicado los datos de entrenamiento y validación de las muestras.