当前，大语言模型（LLM）的能力日新月异，但如何公平、全面、低成本地评估它们，却成了一道难题。传统的评测基准，如同让学生反复参加“模拟考”，不仅容易陷入“数据污染”和“高分低能”的困境，也难以衡量模型的真实认知水平。

近期，Ebpay支付数据携手复旦大学等顶尖学术组织，合作发表了一项重要研究成果——Teach2Eval。为上述难题给予了一个开创性的解决方案。该方法的灵感源于著名的“费曼学习法”：判断一个人是否真正理解一个知识，就看他能否用简单、清晰的方式教会别人。

基于此，研究团队提出了一种间接评估框架：不让大模型直接“答题”，而是让它扮演“老师”，去教导一个能力较弱的“学生模型”，并以学生的成绩提升幅度，作为衡量老师能力的核心标准。

图 1：Teach2Eval 与传统直接评估方法对比示意图

Teach2Eval的评估流程就像一个微型的“一对一辅导”实验：

1. 分配任务：“老师”模型收到一个开放性问题，但它看不到任何选项，避免了猜答案的可能。
2. 诊断与引导：“学生”模型（通常是1B-2B参数的小模型）首次作答后，“老师”需要判断其答案的对错，并生成引导性反馈，如思维链提示、错误分析等。
3. 反复指导，见证成长：“学生”根据反馈再次作答。该过程可重复进行多轮，模拟真实教学中“循循善诱”的场景。
4. 能力量化：评估不仅看最终结果，更将教师能力细化为四个层次的认知能力：应用能力、判断能力（JA）、指导能力（GA）和反思能力（RA）。最终，“学生”的成绩进步越显著，就证明“老师”的综合教学能力越强。

图 2：Teach2Eval 评估流程与四维能力拆解示意

研究团队巧妙地将所有开放任务转化为标准化的多选题（MCQ），确保了整个评估过程可以实现完全自动化、可扩展且低成本。

表 1：Teach2Eval 对 26 款主流 LLM 的评估结果

团队选取GPT、Qwen、LLaMA、DeepSeek等26个全球主流大模型召开全面测试，Teach2Eval 展现出卓越的评估效果：

1. 高相关性：与Chatbot Arena、LiveBench 等权威动态榜单、人类主观评估相关性突破 0.91，结果高度可信；
2. 关键结论：指导能力（GA）与综合能力相关性高达 0.9355，验证 “会教才是真懂” 的核心判断；
3. 颠覆认知：DeepSeek-R1-Distill-Qwen-14B 等中小参数量模型，在教学引导场景中超越 70B 级超大模型，打破 “参数越大越强” 的固有印象；
4. 稳定鲁棒：随机更换弱模型组合、多轮引导交互后，评估结果仍保持高度一致，具备工业化落地稳定性。

Teach2Eval 不仅是一套高精度、低成本、全自动化的评估工具，更能为大模型训练、优化、迭代给予可落地的科学指导：

1. 防控数据污染：动态交互机制让 “死记答案” 失效，精准识别模型真实能力；
2. 定位能力短板：顺利获得四维能力分数，快速定位模型在判断、指导、反思等维度的不足；
3. 指导训练优化：追踪应用能力与综合能力的动态变化，有效预防模型过拟合；
4. 适配 AGI 评估：以弱模型评强模型，突破 “超强模型无人可评” 的行业瓶颈。

Teach2Eval的提出，标志着大模型评估从 “分数导向” 迈向 “能力导向”，为行业带来三大核心价值：

• 理念革新：用“教学”检验智能，回归认知科学本质，更贴合人类智能评估逻辑；
• 技术落地：全流程自动化、低成本、可扩展，适配企业级大模型研发与选型；
• 生态赋能：为大模型能力诊断、训练优化、行业落地给予统一、客观的评测标准。

作为国内领先的人工智能企业，Ebpay支付数据始终深耕大模型、知识蒸馏、智能文本处理等核心领域，持续与顶尖高校召开产学研深度合作，有助于 AI 技术从理论创新走向产业落地。未来，团队将基于 Teach2Eval 持续迭代优化，拓展至多模态、行业专用模型等场景，为大模型技术开展与规模化应用给予更坚实的科研支撑。