Project Icon

llm_benchmarks

大语言模型评估基准集合

llm_benchmarks是一个全面的大语言模型评估基准集合,涵盖知识理解、推理能力、多轮对话和内容摘要等方面。该项目包含MMLU、ARC、GLUE等知名数据集,用于测试模型在不同任务中的表现。这一标准化工具为评估大语言模型性能提供了可靠依据,有助于相关技术的发展与应用。

LLM基准测试

评估LLM的基准测试和数据集集合。

知识和语言理解

大规模多任务语言理解(MMLU)

  • 描述: 测量57个不同学科的一般知识,涵盖从STEM到社会科学的领域。
  • 目的: 评估LLM在广泛学科领域的理解和推理能力。
  • 相关性: 适用于需要广泛世界知识和问题解决能力的多功能AI系统。
  • 来源: 测量大规模多任务语言理解
  • 资源:

AI2推理挑战(ARC)

通用语言理解评估(GLUE)

自然问题

考虑话语方面的扩展语言建模(LAMBADA)

HellaSwag

多体裁自然语言推理(MultiNLI)

SuperGLUE

TriviaQA

WinoGrande

SciQ

  • 描述: 由主要涉及物理、化学和生物等自然科学的多选题组成。
  • 目的: 测试回答科学问题的能力,通常附有额外的支持文本。
  • 相关性: 适用于教育工具,特别是科学教育和知识测试平台。
  • 来源: 众包多选科学问题
  • 资源:

推理能力

GSM8K

  • 描述: 一组8.5K道小学数学题目,涵盖基础到中级数学运算。
  • 目的: 测试大语言模型解决多步骤数学问题的能力。
  • 相关性: 用于评估AI解决基本数学问题的能力,在教育领域具有价值。
  • 来源: 训练验证器解决数学应用题
  • 资源:

段落离散推理(DROP)

反事实推理评估(CRASS)

大规模考试阅读理解数据集(RACE)

  • 描述: 一组源自中国学生英语考试的阅读理解问题。
  • 目的: 测试大语言模型对复杂阅读材料的理解和回答考试级别问题的能力。
  • 相关性: 适用于语言学习应用和考试准备教育系统。
  • 来源: RACE:大规模考试阅读理解数据集
  • 资源:

大基准难题(BBH)

AGIEval

BoolQ

多轮开放式对话

MT-bench

上下文问答(QuAC)

  • 描述: 包含14,000个对话,共100,000对问答,模拟学生-教师互动。
  • 目的: 用上下文相关、有时无法回答的对话问题挑战大语言模型。
  • 相关性: 适用于对话AI、教育软件和上下文感知信息系统。
  • 来源: QuAC:上下文问答
  • 资源:

实际应用和抽象摘要

环境临床智能基准(ACI-BENCH)

机器阅读理解数据集(MS-MARCO)

基于查询的多领域会议摘要(QMSum)

  • 描述: 一个基准测试,用于根据特定查询总结会议中相关部分的内容。
  • 目的: 评估模型从会议内容中提取和总结重要信息的能力。
  • 相关性: 适用于商业智能工具、会议分析应用和自动摘要系统。
  • 来源: QMSum:基于查询的多领域会议摘要新基准
  • 资源:

物理交互:问答(PIQA)

  • 描述: 通过假设场景和解决方案测试对物理世界的知识和理解。
  • 目的: 衡量模型处理物理交互场景的能力。
  • 相关性: 对机器人、物理模拟和实际问题解决系统的人工智能应用很重要。
  • 来源: PIQA:用自然语言推理物理常识
  • 资源:

内容审核和叙事控制

ToxiGen

有帮助、诚实、无害(HHH)

TruthfulQA

  • 描述: 一个基准,用于评估大型语言模型在回答容易产生错误信念和偏见的问题时的真实性。
  • 目的: 测试模型提供准确和无偏见信息的能力。
  • 相关性: 对于需要提供准确和无偏见信息的人工智能系统很重要,如教育或咨询角色。
  • 来源: TruthfulQA:衡量模型如何模仿人类谬误
  • 资源:

负责任的人工智能(RAI)

  • 描述: 一个框架,用于评估对话优化模型在对话环境中的安全性。
  • 目的: 评估人工智能驱动的对话中潜在的有害内容、知识产权泄露和安全漏洞。
  • 相关性: 对开发安全和可靠的对话式人工智能应用至关重要,尤其是在敏感领域。
  • 来源: 生成式人工智能应用中负责任人工智能危害自动测量框架

编码能力

CodeXGLUE

HumanEval

  • 描述: 包含编程挑战,用于评估大型语言模型根据指令编写功能代码的能力。
  • 目的: 测试根据给定要求生成正确和高效代码的能力。
  • 相关性: 对自动代码生成工具、编程助手和编码教育平台很重要。
  • 来源: 评估在代码上训练的大型语言模型
  • 资源:

主要基础Python编程(MBPP)

大型语言模型辅助评估

LLM评判

  • 来源: 以LLM作为评判者评估MT-Bench和Chatbot Arena

  • 摘要: 由于大型语言模型(LLM)聊天助手能力广泛,而现有基准测试在衡量人类偏好方面不足,评估它们具有挑战性。为解决这个问题,我们探索使用强大的LLM作为评判者,对这些模型进行更开放性问题的评估。我们研究了LLM作为评判者的使用和局限性,包括位置、冗长和自我强化偏见,以及有限的推理能力,并提出解决方案来缓解其中一些问题。然后,我们通过引入两个基准测试来验证LLM评判者与人类偏好的一致性:MT-bench,一个多轮问题集;以及Chatbot Arena,一个众包对战平台。我们的结果显示,像GPT-4这样强大的LLM评判者能很好地匹配受控和众包的人类偏好,达到80%以上的一致性,与人类之间的一致性水平相同。因此,LLM作为评判者是一种可扩展和可解释的方式来近似人类偏好,而这些偏好通常很昂贵难以获得。此外,我们通过评估LLaMA和Vicuna的几个变体,展示了我们的基准测试与传统基准测试是互补的。MT-bench问题、3K专家投票和30K带有人类偏好的对话已在此https URL公开可用。

  • 见解:

    • 使用MT-bench问题和提示,通过LLM作为评判者来评估您的模型。MT-bench是一组具有挑战性的多轮开放式问题,用于评估聊天助手。为了自动化评估过程,我们提示像GPT-4这样的强大LLM充当评判者,评估模型回答的质量。
  • 资源:

LLM-Eval

  • 来源: 使用大型语言模型进行开放域对话的统一多维自动评估

  • 摘要: 我们提出了LLM-Eval,一种使用大型语言模型(LLM)对开放域对话进行统一多维自动评估的方法。现有的评估方法通常依赖人工标注、标准答案或多个LLM提示,这可能成本高昂且耗时。为解决这些问题,我们设计了一种基于单一提示的评估方法,利用统一的评估模式在单次模型调用中涵盖对话质量的多个维度。我们在各种基准数据集上广泛评估了LLM-Eval的性能,证明了它相比最先进的评估方法具有效果、效率和适应性。我们的分析还强调了为获得准确的评估结果,选择合适的LLM和解码策略的重要性。LLM-Eval为评估开放域对话系统提供了一种多功能且稳健的解决方案,简化了评估过程,并在不同场景中提供一致的性能。

  • 见解:

    • 顶级LLM(如GPT4、Claude)与人类评分的相关性比基于指标的评估方法更好。

JudgeLM

  • 来源: JudgeLM: 微调的大型语言模型是可扩展的评判者

  • 摘要: 在开放性场景中评估大型语言模型(LLM)具有挑战性,因为现有的基准和指标无法全面衡量它们。为解决这个问题,我们提出微调LLM作为可扩展的评判者(JudgeLM),以高效有效地评估LLM在开放性基准测试中的表现。我们首先提出了一个全面、大规模、高质量的数据集,包含任务种子、LLM生成的答案和GPT-4生成的判断,用于微调高性能评判者,以及一个用于评估评判者的新基准。我们训练了7B、13B到33B参数的不同规模的JudgeLM,并对其能力和行为进行了系统分析。然后,我们分析了将LLM微调为评判者的关键偏差,并将其视为位置偏差、知识偏差和格式偏差。为解决这些问题,JudgeLM引入了一系列技术,包括交换增强、参考支持和参考丢弃,明显提高了评判者的性能。JudgeLM在现有的PandaLM基准和我们提出的新基准上都获得了最先进的评判性能。我们的JudgeLM效率很高,JudgeLM-7B只需3分钟就能用8个A100 GPU评判5K个样本。JudgeLM与教师评判者获得了高度一致,达到超过90%的一致性,甚至超过了人与人之间的一致性。JudgeLM还展示了扩展能力,可以作为单一答案、多模态模型、多个答案和多轮对话的评判者。

  • 见解:

    • 相对较小的模型(如7b模型)可以被微调成可靠的其他模型评判者。

Prometheus

  • 来源: Prometheus: 在语言模型中诱导细粒度评估能力

  • 摘要: 最近,使用强大的专有大型语言模型(LLM)(如GPT-4)作为长文本回答的评估者已成为事实标准。然而,对于具有大规模评估任务和考虑自定义标准(如儿童可读性)的从业者来说,由于封闭源代码性质、不可控的版本控制和高昂的成本,使用专有LLM作为评估者是不可靠的。在这项工作中,我们提出了Prometheus,一个完全开源的LLM,当伴随适当的参考材料(参考答案、评分标准)时,其评估能力与GPT-4相当。我们首先构建了Feedback Collection,这是一个新数据集,包含1K个细粒度评分标准、20K个指令和100K个由GPT-4生成的回答和语言反馈。使用Feedback Collection,我们训练了Prometheus,一个13B参数的评估器LLM,可以根据用户提供的自定义评分标准评估任何给定的长文本。实验结果显示,Prometheus在使用45个自定义评分标准进行评估时,与人类评估者的皮尔逊相关系数为0.897,与GPT-4(0.882)相当,并大大优于ChatGPT(0.392)。此外,在四个基准测试(MT Bench、Vicuna Bench、Feedback Bench、Flask Eval)中使用1222个自定义评分标准测量与GPT-4的相关性,显示了类似的趋势,强化了Prometheus作为评估器LLM的能力。最后,Prometheus在两个人类偏好基准(HHH Alignment & MT Bench Human Judgment)上达到最高准确率,相比明确训练于人类偏好数据集的开源奖励模型,突出了其作为通用奖励模型的潜力。

  • 见解:

    • 评分标准和参考答案极大地提高了与人类评分的相关性。

行业资源

  • 潜在空间 - 基准测试201:为什么排行榜优于竞技场 >> 以LLM作为评判
  • 摘要:
    • OpenLLM排行榜由Clémentine Fourrier维护,是一种标准化且可重复的评估语言模型性能的方法。
    • 该排行榜最初在2023年夏季获得关注,已有超过200万独立访客和30万活跃社区成员。
    • 排行榜最近的更新(v2版本)包括六个基准测试,以解决模型过拟合问题,并为提高性能提供更多空间。
    • 不建议使用LLM作为评判,因为存在模式崩溃和位置偏差等问题。
    • 如果必须使用LLM作为评判,建议使用Prometheus或JudgeLM等开源LLM以确保可重复性。
    • LMSys Arena是另一个面向AI工程师的平台,但其排名不可重复,可能无法准确反映模型能力。
项目侧边栏1项目侧边栏2
推荐项目
Project Cover

豆包MarsCode

豆包 MarsCode 是一款革命性的编程助手,通过AI技术提供代码补全、单测生成、代码解释和智能问答等功能,支持100+编程语言,与主流编辑器无缝集成,显著提升开发效率和代码质量。

Project Cover

AI写歌

Suno AI是一个革命性的AI音乐创作平台,能在短短30秒内帮助用户创作出一首完整的歌曲。无论是寻找创作灵感还是需要快速制作音乐,Suno AI都是音乐爱好者和专业人士的理想选择。

Project Cover

有言AI

有言平台提供一站式AIGC视频创作解决方案,通过智能技术简化视频制作流程。无论是企业宣传还是个人分享,有言都能帮助用户快速、轻松地制作出专业级别的视频内容。

Project Cover

Kimi

Kimi AI助手提供多语言对话支持,能够阅读和理解用户上传的文件内容,解析网页信息,并结合搜索结果为用户提供详尽的答案。无论是日常咨询还是专业问题,Kimi都能以友好、专业的方式提供帮助。

Project Cover

阿里绘蛙

绘蛙是阿里巴巴集团推出的革命性AI电商营销平台。利用尖端人工智能技术,为商家提供一键生成商品图和营销文案的服务,显著提升内容创作效率和营销效果。适用于淘宝、天猫等电商平台,让商品第一时间被种草。

Project Cover

吐司

探索Tensor.Art平台的独特AI模型,免费访问各种图像生成与AI训练工具,从Stable Diffusion等基础模型开始,轻松实现创新图像生成。体验前沿的AI技术,推动个人和企业的创新发展。

Project Cover

SubCat字幕猫

SubCat字幕猫APP是一款创新的视频播放器,它将改变您观看视频的方式!SubCat结合了先进的人工智能技术,为您提供即时视频字幕翻译,无论是本地视频还是网络流媒体,让您轻松享受各种语言的内容。

Project Cover

美间AI

美间AI创意设计平台,利用前沿AI技术,为设计师和营销人员提供一站式设计解决方案。从智能海报到3D效果图,再到文案生成,美间让创意设计更简单、更高效。

Project Cover

稿定AI

稿定设计 是一个多功能的在线设计和创意平台,提供广泛的设计工具和资源,以满足不同用户的需求。从专业的图形设计师到普通用户,无论是进行图片处理、智能抠图、H5页面制作还是视频剪辑,稿定设计都能提供简单、高效的解决方案。该平台以其用户友好的界面和强大的功能集合,帮助用户轻松实现创意设计。

投诉举报邮箱: service@vectorlightyear.com
@2024 懂AI·鲁ICP备2024100362号-6·鲁公网安备37021002001498号