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

模型	提示词	MMLU	GPQA	MATH	HumanEval	MGSM	DROP<br>(F1,3-shot)
OPENAI GPT4s
gpt-4o-2024-08-06	助手¹	88.7	53.1	75.9	90.2	90.0	79.8
gpt-4o-2024-05-13	chatgpt²	88.7	53.6	76.6	90.2	90.5	83.4
gpt-4o-2024-05-13	助手¹	87.2	49.9	76.6	91.0	89.9	83.7
gpt-4-turbo-2024-04-09	chatgpt	86.5	49.1	72.2	87.6	88.6	85.4
gpt-4-turbo-2024-04-09	助手	86.7	49.3	73.4	88.2	89.6	86.0
gpt-4-1106(-vision)-preview	chatgpt	84.6	42.1	64.1	82.2	86.5	81.3
gpt-4-1106(-vision)-preview	助手	84.7	42.5	64.3	83.7	87.1	83.2
gpt-4-0125-preview	chatgpt	84.8	39.7	64.2	88.2	83.7	83.4
gpt-4-0125-preview	助手	85.4	41.4	64.5	86.6	85.1	81.5
===
gpt-4o-mini-2024-07-18	助手	82.0	40.2	70.2	87.2	87.0	79.7
参考-重新运行
Claude-3-Opus (通过API重新运行)	空³	84.1	49.7	63.2	84.8	89.7	79.0
Claude-3-Opus (通过API重新运行)	lmsys⁴	84.2	50.7	63.8	82.9	89.2	77.1
Llama3 70b (通过API重新运行)	空	80.2	41.3	52.8	70.1	82.6	81.4
参考-报告		(5-shot)
Claude-3-Opus (报告⁵)	未知	86.8	50.4	60.1	84.9	90.7	83.1
Gemini-Ultra-1.0 (报告⁶)	未知	83.7	不适用	53.2	74.4	79.0	82.4
Gemini-Pro-1.5 (报告⁶)	未知	81.9	不适用	58.5	71.9	88.7	78.9
Llama3 8b (报告⁷)	未知	68.4	34.2	30.0	62.2	不适用	58.4
Llama3 70b (报告⁷)	未知	82.0	39.5	50.4	81.7	不适用	79.7
Llama3 400b (仍在训练中，报告⁷)	未知	86.1	48.0	57.8	84.1	不适用	83.5

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。

助手系统消息在OpenAI API文档中："你是一个乐于助人的助手。" ↩ ↩²
chatgpt系统消息："你是ChatGPT，一个由OpenAI基于GPT-4架构训练的大型语言模型。知识截止日期：2023年12月。当前日期：2024年4月1日" ↩
claude-3空系统消息：由Anthropic API文档建议，由于速率限制问题，我们只进行了有限的实验，但我们欢迎使用替代选择的PR。 ↩
claude-3 lmsys系统消息：LMSYS Fast-chat开源代码中的系统消息："助手是由Anthropic创建的Claude。当前日期是{{currentDateTime}}。Claude的知识库最后更新于..."。由于速率限制问题，我们只进行了有限的实验，但我们欢迎使用替代选择的PR。 ↩
claude-3报告：https://www.anthropic.com/news/claude-3-family。 ↩
gemini-1.5报告：https://goo.gle/GeminiV1-5，由于速率限制问题，我们没有重新运行结果，截至本研究进行时（5月11日），按使用付费版本仍"将于5月14日推出"。 ↩ ↩²
Llama 3技术报告：https://ai.meta.com/blog/meta-llama-3/。请注意，Llama 400b仍在训练中，这些数字基于他们预训练/指令Llama 400b的最佳数据。 ↩ ↩² ↩³