chain-of-thought-hub

chain-of-thought-hub

大型语言模型复杂推理能力评估基准

Chain-of-Thought Hub汇集了数学、科学、符号推理等多个领域的挑战性任务,旨在全面评估大型语言模型的复杂推理能力。该项目通过精选数据集和模型,为语言模型发展提供可靠参考。同时,它将链式思考提示工程视为新一代系统调用,为基于大型语言模型的应用生态系统发展奠定基础。

复杂推理能力大语言模型Chain-of-ThoughtLLM评估长文本处理Github开源项目

思维链中心:测量大语言模型的推理能力

标题 "一幅幻想图,展示了深蓝夜空中的一串星链,数字艺术,超高分辨率"。Midjourney V5制作


作者:傅尧欧立图陈明宇万宇豪彭昊Tushar Khot陈文虎

来自爱丁堡大学、华盛顿大学、艾伦人工智能研究所、滑铁卢大学

[论文] [博客] [推特]

近期,大语言模型领域取得了许多进展。许多人声称,一个不到100亿参数的小模型可以达到与GPT-3.5相当的性能。真的吗?

在日常对话中,GPT-3.5和GPT-4之间的区别可能并不明显。差异主要体现在当任务复杂度达到一定阈值时 — GPT-4更可靠、更具创造性,能够处理更加微妙的指令。 — GPT-4发布博客

关键的区别在于模型是否能完成复杂任务,就像老话说的:"闲聊容易,让我看看你的推理能力。"这就是为什么我们汇编了一系列复杂推理任务,包括数学(GSM8K)、科学(MATH、TheoremQA)、符号(BBH)、知识(MMLU、C-Eval)、编程(HumanEval)、事实(SummEdits)和长文本(RepoBench、Qspr、QALT、BkSS),以衡量模型在具有挑战性任务上的表现。

更重要的是,我们预见大语言模型将成为下一代计算平台,并孕育出基于大语言模型的新应用生态系统。届时,思维链提示工程将成为下一代系统调用和shell脚本。

思维链中心的可信度来自于精心挑选的数据集和模型,这些数据集和模型可以明确地帮助大语言模型的发展。思维链中心的结果和脚本正被大语言模型领域的领先工业和学术机构所使用和参考。我们将任务分为三类:主要、实验性和长文本。

  • 主要:稳定且被大语言模型开发者持续参考的数据集。
  • 实验性:有潜力测试未来大语言模型能力的数据集。
  • 长文本:需要对超长文本进行推理的数据集,这是未来大语言模型的一个重要发展方向。
<details> <summary>[我们考虑的数据集列表]</summary>
类别数据集描述
主要GSM8K小学级数学应用题
主要MATH竞赛级数学和科学问题
主要MMLU多学科知识
主要BBH具有挑战性的语言和符号推理
主要HumanEvalPython编程
主要C-Eval中文多学科知识
实验性TheoremQA定理证明
实验性SummEdits事实推理
长文本Qspr基于研究论文的问答
长文本QALT基于长文章和故事的多选题
长文本BkSS小说片段摘要的重新排序
</details>

[征集贡献]:诚邀社区成员:

  • 发送PR以填补表格中缺失的数据
  • 提出issue以建议/头脑风暴新的任务/基准,用于衡量超长文本的推理能力
  • 提出issue以建议/头脑风暴新的任务/基准,用于衡量复杂API调用和工具使用
  • 提出issue以建议其他能明显区分模型性能的优秀任务/基准
  • 提出issue以建议可添加到表格中的新模型

[2023年12月10日更新]

  • 添加GeminiYi-34BDeepSeek 67B
  • 更新长文本部分 — 我们将对这部分有更多更新
  • Mistral 7B8E MoE模型结果预览
<details> <summary>Mistral 7B 8E的表现大致与Yi34B / LLaMA2 70B / DeepSeek 67B相当</summary>
基准测试Mistral 7B DenseMistral 7Bx8E=50BYi-34BDeepSeek-67BLLaMA2 70B
Arc-c59.9866.3864.5965.44-
HellaSwag83.3186.6185.6987.10-
MMLU64.1671.7376.3571.7868.9
TruthfulQA42.1548.5556.2351.0850.18
Winogrande78.3782.4083.0384.14-
GSM8K37.8357.0950.6456.7156.8
</details>

[2023年6月20日更新]

  • 将主要(稳定且被大语言模型开发者持续参考的数据集)和实验性(有潜力测试未来大语言模型能力的数据集)排行榜分开。
  • 添加长文本部分(实验性)
<details> <summary>[以前的更新]</summary>

[2023年6月9日更新]:为LLaMA和Falcon添加MMLU的评估脚本

[2023年6月1日更新]:添加SummEdits

[2023年5月27日更新]:添加TheoremQA,增加Vicuna、Alpaca、InstructCodeT5。

</details>

排行榜 - 主要

模型参数量类型GSM8KMATHMMLUBBHHumanEvalC-Eval
Gemini Ultra?基础-53.283.783.674.4-
gpt-4?RLHF92.042.586.4-67.068.7*
claude-2?RLHF88-78.5-71.2-
Gemini Pro?基础-32.671.875.067.7-
claude-v1.3?RLHF81.8*-75.6*67.3*-54.2*
PaLM-2-Unicorn?基础80.734.378.378.1--
Mistral MoE7Bx8E=46B基础57.9-71.3---
DeepSeek67B基础56.718.771.768.742.766.1
Yi34B基础50.6-76.354.3-81.4
gpt-3.5-turbo?RLHF74.9*-67.3*70.1*48.154.4*
claude-instant?RLHF70.8*-61.3*66.9*-45.9*
text-davinci-003?RLHF--64.670.7--
code-davinci-002?基础66.619.164.573.747.0-
text-davinci-002?SIFT55.4-60.067.2--
Minerva540BSIFT58.833.6----
Flan-PaLM540BSIFT--70.966.3--
Flan-U-PaLM540BSIFT--69.864.9--
PaLM540B基础56.98.862.962.026.2-
LLaMA-270B基础56.8-68.951.229.9-
LLaMA65B基础50.910.663.4-23.738.8*
PaLM64B基础52.44.449.042.3--
Falcon40B基础--49.0*---
Vicuna33BSIFT--59.2---
LLaMA33B基础35.67.157.8-21.7-
InstructCodeT5+16BSIFT----35.0-
StarCoder15B基础8.415.133.9-33.6-
Vicuna13BSIFT---52.1--
LLaMA13B基础17.83.946.9-15.8-
Flan-T511BSIFT16.1*-48.641.4--
Alpaca7BSIFT------
LLaMA7B基础11.02.935.1-10.5-
Flan-T53BSIFT13.5*-45.535.2--

我们称这些数据集为"主要"数据集,因为它们在主要机构的大语言模型开发中相当稳定且被广泛使用。基础指预训练检查点。SIFT指经过有监督指令微调后的检查点。RLHF指经过人类反馈强化学习后的检查点。带星号*的数字来自我们自己的运行结果,其他则来自多个来源,我们会在下面解释。所有方法都以准确率衡量,数值越高越好。

排行榜 - 实验性:长上下文

模型参数数量上下文长度类型QsprQALTBkSS
人类???67.793.5?
gpt-4?8KRLHF50.789.260.5
claude-v1.3?8KRLHF52.384.847.4
claude-v1.3?4KRLHF47.776.837.6
PaLM-2-Unicorn?-基础---
PaLM-2-bison?-RLHF---
gpt-3.5-turbo?4KRLHF49.366.649.8
claude-instant?-RLHF---
text-davinci-003?4KRLHF52.769.049.5
text-davinci-002?-SIFT---
LLaMA65B-基础---
Falcon40B-基础---
Flan-UL220B8KSIFT56.975.614.0
LLaMA33B-基础---
Vicuna13B-SIFT---
LLaMA13B-基础---
Flan-T511B8KSIFT48.375.215.1
Flan-T511B4KSIFT46.570.816.4
T0pp11B8KSIFT25.021.40.0
Alpaca7B-SIFT---
LLaMA7B-基础---
Flan-T53B8KSIFT46.669.62.2
  • 待办:RepoBench:对仓库级代码自动补全系统进行基准测试
  • Qspr、QALT和BkSS的数字来自zero-scrolls
  • 为什么我们选择这些数据集?请参阅详细文档

与其他重要评估有何不同?

  • HeLM使用仅答案提示,我们使用思维链提示
  • HeLM评估所有内容。我们只关注复杂推理,这是大语言模型能力的关键区别。
  • Open LLM Leaderboard评估开源语言模型。我们考虑大多数领先的模型。
    • 目前,Open LLM Leaderboard上LLaMA 65B的性能仅为48.8,远低于论文中报告的63.4。这对LLaMA和Falcon之间的比较产生了质疑
    • 在我们的复现中,使用MMLU官方提示+贪婪解码+fp16,我们得到了61.4的结果。我们的结果更倾向于原始LLaMA数字,并对Open LLM Leaderboard的结果提出质疑。
    • 我们的评估脚本相当简单,大多数参数为默认值,没有复杂的提示工程。我们鼓励社区尝试我们的脚本并复现我们的结果。
    • 根据Nathan Lambert的说法,HuggingFace目前正在重新设计Open LLM Leaderboard的后端,结果可能会发生变化(2023年6月10日)。
  • Chatbot Arena评估聊天机器人模型,这更面向用户部署。我们的评估更面向开发者,我们不仅考虑聊天机器人,还考虑基础模型。

模型排名方式

  • 如果我们知道模型规模,我们按规模排名。
  • 如果我们不知道模型规模,我们按GSM8K排名,这是衡量思维链数学推理性能的经典基准。
    • 这当然不是唯一的指标,但一个很好的解释是"模型在保持其他通用能力的同时,数学能力如何" - 这也非常困难。
    • GPT-4已经在GSM8k训练集上预训练过,其他模型可能没有。因此对于GPT-4,它在GSM8k上的表现是分布内泛化,而对于其他模型则是分布外泛化。即便如此,FlanT5也在GSM8k上训练过,仍然表现出性能差异。
  • 总的来说,由于多种因素(是否在相应的训练集上训练,是否在代码上训练,是否优化提示等),严格比较模型性能非常困难。请将我们的结果视为近似参考。

数字来源

  • GPT-4来自其网站Bubeck等人2023年3月。请注意,Bubeck使用的版本是GPT-4 Early,据说比GPT-4 Launch更强大(OpenAI为使GPT-4更安全付出了大量对齐成本)。
  • *-davinci-00*和*PaLM来自Flan-PaLM论文附录。
    • code-davinci-002是GPT-3.5系列的基础模型,但遗憾的是现在无法访问。
  • LLaMA来自LLaMA论文。
    • 我们已经使用官方MMLU提示和默认的HuggingFace Transformers generate()函数复现了LLaMA在MMLU上的结果,我们的结果与官方数字非常匹配。更多详情请参见此处
  • Falcon在MMLU上的结果来自我们自己的脚本此处
  • PaLM-2来自他们的技术报告
  • Claude来自我们自己的测试脚本,请参见下面关于如何运行它的说明。
  • LLaMA模型、PaLM和StartCoder在HumanEval上的结果来自HuggingFace报告。Code-davinci-002在HumanEval上的表现来自CodeT5+论文
  • C-Eval来自他们的网站
  • TheoremQA来自他们的github
  • SummEdits来自他们的github论文
  • 长上下文部分来自zero-scrolls论文排行榜
  • Vicuna在MMLU上的表现来自Chatbot Arena

当前结果

  • GPT-4在GSM8K和MMLU上明显优于所有其他模型。
  • 65B LLaMA与text/code-davinci-002非常接近,这意味着如果正确进行SFT和RLHF,我们很可能基于65B LLaMA复制出ChatGPT
  • Claude是唯一一个可与GPT系列相媲美的模型家族。
  • 在GSM8K上,gpt-3.5-turbo相比text-davinci-003有所改进。这证实了OpenAI 2023年1月30日发布说明中的"改进了数学能力"。
  • 在MMLU上,gpt-3.5-turbo略优于text-davinci-003。但这种程度的差距并不显著。
  • 还要记住,gpt-3.5-turbo的价格是text-davinci-003的十分之一。
  • 同时要注意,GPT-4/3.5在GSM8K上的表现并非真正的少样本学习——在GPT-4报告中提到,他们将部分GSM8K训练集混入模型训练中。
  • LLaMA在MMLU上的表现来自其论文,可能不是CoT而是AO。通常在MMLU上,AO略优于CoT。因此LLaMA在MMLU上的数据可能略有高估。

可视化

标题

  • 开源和闭源模型之间存在明显差距。
  • 大多数顶级模型都经过RLHF。
  • LLaMA 65B与code-davinci-002非常接近。
  • 现有结果强烈表明,如果在LLaMA上正确进行RLHF,它可能接近ChatGPT-3.5。

关于任务的更多信息

  • GSM8K:8千道小学数学题。——该数据集上的性能提升直接反映了与LLM日常交互时的数学能力
  • MMLU:57个学科下的1.5万道问题,涵盖高中和大学知识
  • MATH(困难!):7个类别内的1.2万道问题,非常困难的数学和自然科学题。所有当前模型都很吃力。
  • BBH:23个子集内的6.5千道问题,符号和文本推理
  • HumanEval:一个经典的手写数据集,包含164道Python问题,用于评估编码能力。
  • C-Eval:一个涵盖52个学科的1.3万道中文多选题知识测试集合。
  • TheoremQA(困难!):800对问答对,涵盖数学、电气与计算机科学、物理和金融领域的350多个定理。
  • SummEdits:10个领域内的6.3千道事实一致性推理问题。

运行

MMLU

cd MMLU mkdir outputs API_KEY=<your_api_key> # GPT-3.5-Turbo python run_mmlu_gpt_3.5_turbo.py --api_key=${API_KEY} # Claude-v1.3 python run_mmlu_claude.py --api_key=${API_KEY} --engine=claude-v1.3 # LLaMA LLAMA_CKPT_DIR=<模型检查点路径> PARAM_SIZE=65 # 7, 13, 33, 65 MODEL_TYPE=llama # ["llama", "falcon"] python run_mmlu_open_source.py --ckpt_dir ${LLAMA_CKPT_DIR} --param_size ${PARAM_SIZE} --model_type ${MODEL_TYPE}

GSM8k

cd gsm8k mkdir outputs # 运行gpt-3.5 # codex_gsm8k_complex.ipynb -- code-davinci-002 + 复杂提示 # gpt3.5turbo_gsm8k_complex.ipynb -- gpt-3.5-turbo + 复杂提示 # 运行claude python run_gsm8k_claude.py\ --anthropic_key=${API_KEY}\ --prompt_file=lib_prompt/prompt_original.txt\ --engine=claude-v1.3\ --output_file=outputs/gsm8k_claude_v1.3_original_test.txt # 运行FlanT5 # flan_t5_11b_gsm8k.ipynb

BBH

cd BBH mkdir outputs # 然后运行jupyter notebook查看企鹅数据集示例 cd penguins # gpt3.5trubo_penguins_original.ipynb # 或者运行脚本处理所有数据集 API_KEY=<your_api_key> TASK=<all | multiple_choice | free_form> python run_bbh_gpt_3.5_turbo.py --api_key=${API_KEY} --task=${TASK} # 默认task=all python run_bbh_claude_v1.3.py --api_key=${API_KEY} --model_index=claude-v1.3 --task=${TASK} # 默认task=all

常见问题

  • 模型性能的敏感度非常高。
    • 不幸的是,这是LLM的本质。我们目前正在努力标准化提示(请参阅这里的初步进展),并将更新更多相关内容。
  • 复杂度基础提示论文中使用的提示是什么?
    • 请参阅research/complexity_based_prompting/
  • 我想尝试一些开源模型
    • 请参阅gsm8k/flan_t5_11b_gsm8k.ipynb作为起点
  • 有些提示中包含错误答案
    • 是的,但我们保持原样,因为它们在原始论文中使用
    • 通常模型对提示扰动具有鲁棒性:即使提示中有时存在错误,只要提示的格式与相应任务有关,模型往往只关注格式,忽略提示错误,并做出自己的预测。
    • 有关模型如何忽略提示中的错误的更多分析,请参阅https://arxiv.org/abs/2202.12837和https://arxiv.org/abs/2212.10001

我想了解更多关于构建用于推理任务的LLM的信息

我们之前的博客文章中详细讨论了一个路线图。

总的来说,构建强大推理能力模型的方法与通用LLM相同:预训练、微调、强化学习。以下列出一些应该考虑的非常重要的论文:

预训练/继续训练

微调

强化学习

开发中

编辑推荐精选

AEE

AEE

AI Excel全自动制表工具

AEE 在线 AI 全自动 Excel 编辑器,提供智能录入、自动公式、数据整理、图表生成等功能,高效处理 Excel 任务,提升办公效率。支持自动高亮数据、批量计算、不规则数据录入,适用于企业、教育、金融等多场景。

UI-TARS-desktop

UI-TARS-desktop

基于 UI-TARS 视觉语言模型的桌面应用,可通过自然语言控制计算机进行多模态操作。

UI-TARS-desktop 是一款功能强大的桌面应用,基于 UI-TARS(视觉语言模型)构建。它具备自然语言控制、截图与视觉识别、精确的鼠标键盘控制等功能,支持跨平台使用(Windows/MacOS),能提供实时反馈和状态显示,且数据完全本地处理,保障隐私安全。该应用集成了多种大语言模型和搜索方式,还可进行文件系统操作。适用于需要智能交互和自动化任务的场景,如信息检索、文件管理等。其提供了详细的文档,包括快速启动、部署、贡献指南和 SDK 使用说明等,方便开发者使用和扩展。

Wan2.1

Wan2.1

开源且先进的大规模视频生成模型项目

Wan2.1 是一个开源且先进的大规模视频生成模型项目,支持文本到图像、文本到视频、图像到视频等多种生成任务。它具备丰富的配置选项,可调整分辨率、扩散步数等参数,还能对提示词进行增强。使用了多种先进技术和工具,在视频和图像生成领域具有广泛应用前景,适合研究人员和开发者使用。

爱图表

爱图表

全流程 AI 驱动的数据可视化工具,助力用户轻松创作高颜值图表

爱图表(aitubiao.com)就是AI图表,是由镝数科技推出的一款创新型智能数据可视化平台,专注于为用户提供便捷的图表生成、数据分析和报告撰写服务。爱图表是中国首个在图表场景接入DeepSeek的产品。通过接入前沿的DeepSeek系列AI模型,爱图表结合强大的数据处理能力与智能化功能,致力于帮助职场人士高效处理和表达数据,提升工作效率和报告质量。

Qwen2.5-VL

Qwen2.5-VL

一款强大的视觉语言模型,支持图像和视频输入

Qwen2.5-VL 是一款强大的视觉语言模型,支持图像和视频输入,可用于多种场景,如商品特点总结、图像文字识别等。项目提供了 OpenAI API 服务、Web UI 示例等部署方式,还包含了视觉处理工具,有助于开发者快速集成和使用,提升工作效率。

HunyuanVideo

HunyuanVideo

HunyuanVideo 是一个可基于文本生成高质量图像和视频的项目。

HunyuanVideo 是一个专注于文本到图像及视频生成的项目。它具备强大的视频生成能力,支持多种分辨率和视频长度选择,能根据用户输入的文本生成逼真的图像和视频。使用先进的技术架构和算法,可灵活调整生成参数,满足不同场景的需求,是文本生成图像视频领域的优质工具。

WebUI for Browser Use

WebUI for Browser Use

一个基于 Gradio 构建的 WebUI,支持与浏览器智能体进行便捷交互。

WebUI for Browser Use 是一个强大的项目,它集成了多种大型语言模型,支持自定义浏览器使用,具备持久化浏览器会话等功能。用户可以通过简洁友好的界面轻松控制浏览器智能体完成各类任务,无论是数据提取、网页导航还是表单填写等操作都能高效实现,有利于提高工作效率和获取信息的便捷性。该项目适合开发者、研究人员以及需要自动化浏览器操作的人群使用,在 SEO 优化方面,其关键词涵盖浏览器使用、WebUI、大型语言模型集成等,有助于提高网页在搜索引擎中的曝光度。

xiaozhi-esp32

xiaozhi-esp32

基于 ESP32 的小智 AI 开发项目,支持多种网络连接与协议,实现语音交互等功能。

xiaozhi-esp32 是一个极具创新性的基于 ESP32 的开发项目,专注于人工智能语音交互领域。项目涵盖了丰富的功能,如网络连接、OTA 升级、设备激活等,同时支持多种语言。无论是开发爱好者还是专业开发者,都能借助该项目快速搭建起高效的 AI 语音交互系统,为智能设备开发提供强大助力。

olmocr

olmocr

一个用于 OCR 的项目,支持多种模型和服务器进行 PDF 到 Markdown 的转换,并提供测试和报告功能。

olmocr 是一个专注于光学字符识别(OCR)的 Python 项目,由 Allen Institute for Artificial Intelligence 开发。它支持多种模型和服务器,如 vllm、sglang、OpenAI 等,可将 PDF 文件的页面转换为 Markdown 格式。项目还提供了测试框架和 HTML 报告生成功能,方便用户对 OCR 结果进行评估和分析。适用于科研、文档处理等领域,有助于提高工作效率和准确性。

飞书多维表格

飞书多维表格

飞书多维表格 ×DeepSeek R1 满血版

飞书多维表格联合 DeepSeek R1 模型,提供 AI 自动化解决方案,支持批量写作、数据分析、跨模态处理等功能,适用于电商、短视频、影视创作等场景,提升企业生产力与创作效率。关键词:飞书多维表格、DeepSeek R1、AI 自动化、批量处理、企业协同工具。

下拉加载更多