概述

本仓库包含一个用于评估语言模型的轻量级库。 我们开源它是为了能够透明地展示我们最新模型（从gpt-4-turbo-2024-04-09和gpt-4o-2024-05-13开始）所公布的准确性数据。

评估对提示很敏感，最近的出版物和库中使用的表述方式存在显著差异。 有些使用少样本提示或角色扮演提示（"你是一位专业的软件程序员..."）。 这些方法是从评估基础模型（而非指令/对话微调模型）以及从较差的指令遵循模型中沿用下来的。

对于这个库，我们强调零样本、思维链设置，使用简单的指令如"解决以下多选题"。我们认为这种提示技术能更好地反映模型在实际使用中的表现。

**我们不会积极维护此仓库或监控PR和Issues。**特别是，我们不接受新的评估。以下是我们可能接受的更改：

• 错误修复（希望不需要！）
• 为新模型添加适配器
• 在下面的表格中添加新行，展示新模型和新系统提示的评估结果。

本仓库并非旨在替代https://github.com/openai/evals，后者设计用于全面收集大量评估。

评估

本仓库目前包含以下评估：

• MMLU：测量大规模多任务语言理解，参考：https://arxiv.org/abs/2009.03300, https://github.com/hendrycks/test, MIT许可证
• MATH：使用MATH数据集测量数学问题解决能力，参考：https://arxiv.org/abs/2103.03874, https://github.com/hendrycks/math, MIT许可证
• GPQA：研究生级别的防谷歌问答基准，参考：https://arxiv.org/abs/2311.12022, https://github.com/idavidrein/gpqa/, MIT许可证
• DROP：要求对段落进行离散推理的阅读理解基准，参考：https://arxiv.org/abs/1903.00161, https://allenai.org/data/drop, Apache许可证2.0
• MGSM：多语言小学数学基准（MGSM），语言模型是多语言思维链推理器，参考：https://arxiv.org/abs/2210.03057, https://github.com/google-research/url-nlp, 知识共享署名4.0国际公共许可证（CC-BY）
• HumanEval：评估在代码上训练的大型语言模型，参考：https://arxiv.org/abs/2107.03374, https://github.com/openai/human-eval, MIT许可证

采样器

我们已经为以下语言模型API实现了采样接口：

• OpenAI：https://platform.openai.com/docs/overview
• Claude：https://www.anthropic.com/api

在使用这些API之前，请确保设置了*_API_KEY环境变量。

设置

由于可选依赖项的存在，我们不提供统一的设置机制。相反，我们为每个评估和采样器提供单独的说明。

对于HumanEval（Python编程）

git clone https://github.com/openai/human-eval
pip install -e human-eval

对于OpenAI API：

pip install openai

对于Anthropic API：

pip install anthropic

演示

python -m simple-evals.demo

这将通过OpenAI API启动评估。

基准测试结果

法律事项

通过为evals做出贡献，您同意将您的评估逻辑和数据置于与本仓库相同的MIT许可下。您必须拥有足够的权利来上传用于评估的任何数据。OpenAI保留在未来产品服务改进中使用这些数据的权利。对OpenAI evals的贡献将受我们常规使用政策的约束：https://platform.openai.com/docs/usage-policies。