大模型综合能力评测框架：性能与对齐维度设计与代码实现

一套覆盖性能与对齐两条主线的大模型综合评测框架被提出，性能含通用推理（MMLU、GSM8K，权重25%）、代码（HumanEval、MBPP，20%）与知识广度（C-Eval、MMLU-Pro，15%），对齐含指令遵循（IFEval，20%）与安全合规（有害请求拒绝率，20%）。评测统一采用温度0.2、最大生成长度1024，并给出可扩展的Python评测脚本与加权汇总方法。