["Poe与SurgeAI合作,从推理、写作、创造力和非英语语言能力4个维度对主流大模型进行系统评估。","评估结果显示,GPT-4在所有维度上表现最佳,尤其是英语任务;Google的PaLM在非英语语言能力上表现突出。","Claude 2在推理上仅次于GPT-4;Llama 2 70b在写作和创造力上位居第三。","评估方式包括行业基准测试、专家评估、Elo评分等,对每个模型的长处和局限性进行了全面的考量。","Poe公开了完整的评估细节,以推动对大模型能力的深入理解。"]