专注推理能力的开源大语言模型套件
Eurus是一套专为复杂推理任务优化的开源大语言模型套件。在覆盖5个任务领域的12项测试中,Eurus-70B模型超越了GPT-3.5 Turbo的表现。该模型在LeetCode和TheoremQA等基准测试中取得显著进步,性能大幅领先于其他开源模型。Eurus项目还包括UltraInteract数据集和Eurus-RM-7B奖励模型,为推理任务提供全面解决方案。
Eurus:一套针对推理优化的开源大语言模型
<p align="center"> <a href="#introduction">简介</a> • <a href="#evaluation">评估</a> </p> </div>我们发布了一系列大语言模型和一个奖励模型。在涵盖五个任务的12项测试中,Eurus-70B的推理能力超越了GPT-3.5 Turbo,并在LeetCode和TheoremQA这两个具有挑战性的基准测试中分别达到了33.3%的pass@1准确率和32.6%的准确率,大幅超越现有开源模型13.3%以上。此外,Eurux-8x22B的性能进一步提升,在推理方面表现出色,同时具备优秀的聊天和指令跟随能力。我们还训练了一个奖励模型,在推理任务的偏好建模方面表现特别强劲。
Eurus的强大性能主要归功于UltraInteract,这是一个专为复杂推理任务设计的大规模、高质量对齐数据集。对于每个指令,它包含一个偏好树,由以下内容组成:
UltraInteract为每个指令收集一个偏好树,指令作为根节点,每个行为作为一个节点。轨迹是由一系列行为组成的从根到叶的路径。 在每个偏好树中,所有正确行为的节点和以正确行为结束的所有轨迹可用于SFT。成对的正确和错误节点或轨迹可用于偏好学习。
<img src="https://yellow-cdn.veclightyear.com/835a84d5/7a18026e-56bf-43cc-bc27-058c9fe2d6cc.png" width="500px">以下是UltraInteract轨迹的两轮示例。在每一轮中,演员模型生成逐步推理链,环境和评论模型分别提供观察和文本评论。
<img src="https://yellow-cdn.veclightyear.com/835a84d5/18d0d9ef-f1b2-4522-8d7f-bf17b6356add.png" width="800px">以下是UltraInteract的一些统计数据。它包含86,000个指令、286,000个正确答案和219,000对数据。
<img src="https://yellow-cdn.veclightyear.com/835a84d5/76a59811-b7e5-4868-b7e0-40f9ed72ab91.png" width="800px">我们进行了全面的编码、数学、推理、知识、指令遵循和聊天基准测试。结果如下所示,开源模型中的最佳得分以粗体显示。Eurux-8x22b-NCA和Eurux-8x22b-KTO在推理性能方面表现出色,同时具备优秀的聊天和指令跟随能力。
模型/基准测试 | 编码 | 数学 | 推理 | 知识 | 指令遵循 | 聊天 | ||||
---|---|---|---|---|---|---|---|---|---|---|
HumanEval | MBPP | LeetCode | GSMPLUS | MATH | TheoremQA | BBH (CoT) | MMLU | IFEval | MT-Bench | |
GPT-3.5-Turbo | 76.8 | 82.5 | 23.3 | 61.2 | 37.8 | 35.6 | 70.1 | 70.0 | 56.6 | 7.94 |
GPT-4 | 85.4 | 83.5 | 41.8 | 85.6 | 69.7 | 52.4 | 86.7 | 86.4 | 79.7 | 8.96 |
Mixtral-8x7B-Ins | 50.6 | 50.1 | 5.6 | 49.6 | 25.9 | 20.4 | 73.5 | 70.3 | 48.8 | 8.30 |
DS-LM-67B-Chat | 70.7 | 65.7 | 20.0 | 65.0 | 41.0 | 17.9 | 78.9 | 72.3 | 52.7 | 8.35 |
QWen-1.5-72B | 71.3 | 56.9 | 15.6 | 65.4 | 43.4 | 18.5 | 78.0 | 72.9 | 53.4 | 8.61 |
Llama-3-70B-Ins | 77.4 | 66.2 | 34.4 | 72.9 | 46.8 | 26.6 | 91.7 | 79.8 | 83.2 | 9.02 |
Eurus-70b-NCA | 79.3 | 71.9 | 33.3 | 62.8 | 41.7 | 32.6 | 80.0 | 59.4 | 49.2 | 7.54 |
Eurux-8x22b-KTO | 71.3 | 68.9 | 29.4 | 68.3 | 48.4 | 35.3 | 83.6 | 75.9 | 67.1 | 8.58 |
Eurux-8x22b-NCA | 75.0 | 69.7 | 35.0 | 68.1 | 49.0 | 35.5 | 83.5 | 75.6 | 67.1 | 8.46 |
编程
{ "id": "92a7356beaa75391539cb79624bdf85b7e5d36d5e74e46a2f1c4001f40b3e055_1_1", // 唯一数据ID,包含三部分:唯一字符串、偏好树深度和当前轮次,用"_"分隔 "parent_id": "535550938ff58bd73cd7fb85be834bb90b7600daf6b6f6a16b64091e5ecbfe43", // 具有相同parent_id的数据有相同的指令但不同的行动 "task": "Coding", // 任务类型,选项 = ["Coding", "Math_Cot", "Math_PoT", "Logic"] "dataset": "codecontest", // 指令来源的数据集 "instruction": "编写Python代码解决以下任务。\nMike有一个只由小写英文字母组成的字符串s。他想改变字符串中的恰好一个字符,使得结果成为回文。\n\n回文是一个正着读和倒着读都一样的字符串,例如"z"、"aaa"、"aba"、"abccba"是回文,而"codeforces"、"reality"、"ab"不是回文。\n\n输入\n\n第一行也是唯一一行包含字符串s(1 ≤ |s| ≤ 15)。\n\n输出\n\n如果Mike可以通过改变恰好一个字符使结果字符串成为回文,则输出"YES"(不带引号),否则输出"NO"(不带引号)。\n\n示例\n\n输入\n\nabccaa\n\n\n输出\n\nYES\n\n\n输入\n\nabbcca\n\n\n输出\n\nNO\n\n\n输入\n\nabcda\n\n\n输出\n\nYES", // 任务描述 "response": " 步骤1:这个问题要求我们判断是否可以通过改变字符串中的恰好一个字符使其成为回文。 步骤2:我们可以从字符串的开头和结尾开始遍历,计算对应字符不同的数量。 步骤3:如果字符串长度为奇数且只有一个字符不同,或者长度为偶数且恰好有一个字符不同,那么就可以通过改变一个字符使其成为回文。 步骤4:我们需要考虑边界情况,如单个字符的字符串或空字符串。 ```python # 步骤5:接收输入字符串 s = input() # 步骤6:计算字符串长度 n = len(s) # 步骤7:初始化计数器,用于记录不同字符的数量 cnt = 0 # 步骤8:遍历字符串的前半部分,统计与后半部分对应位置不同的字符数量 for i in range(n//2): if s[i] != s[n-i-1]: cnt += 1 # 步骤9:如果字符串长度为奇数且没有不同字符,或者有恰好一个不同字符,输出"YES"(不带引号) if (n % 2 == 1 and cnt == 0) or (cnt == 1): print('YES') # 步骤10:否则,输出"NO"(不带引号) else: print('NO') ```" // 逐步解决方案 }
数学
{ "id": "647b2e8706cf459a8e3ec8e99727d2d51ff3414bf187db43d92cff87f8012713_1_1", "parent_id": "499d250c5852eddcd48a28b6c173f1a2349a16555990a1cd6fb5c7954cb94587", "task": "Math_PoT", "dataset": "mathqa", "instruction": "可用工具:\n[1] Python解释器\n当你发送包含Python代码的消息给python时,它将在一个有状态的Jupyter笔记本环境中执行。\n逐步解决以下数学问题。\n一个长方形的长度翻倍,同时宽度也翻倍。面积的百分比变化是多少?", "response": " 步骤1:长方形的面积由其长度和宽度的乘积给出。如果长度翻倍,面积从l*w变为2l*w。同样,如果宽度翻倍,面积从l*w变为l*2w。 步骤2:如果长度和宽度都翻倍,面积从l*w变为2l*2w。面积的百分比变化由((新面积 - 旧面积) / 旧面积)*100给出。 步骤3:我们可以使用上述公式计算面积的百分比变化。 步骤4:通过创建一个工具来计算面积的百分比变化,我们可以轻松解决这个问题。 ```python # 步骤5:定义一个工具来计算面积的百分比变化 def calculate_percentage_change(length, width): # 步骤6:计算旧面积和新面积 old_area = length * width new_area = 2 * length * 2 * width # 步骤7:计算百分比变化 percentage_change = ((new_area - old_area) / old_area) * 100 return percentage_change # 步骤8:调用函数解决问题 percentage_change = calculate_percentage_change(2, 2) print(percentage_change) ```" }
逻辑
{ "id": "92a19848da4fb0fc0b414f061f7500a81ea4cbd8f922ca1e32a6a15ef6f7e1a0_1_1", "parent_id": "107cc9147d8c09e62e2ba9e74cb41d9dbafd9a3adf62b67ba3da2b31c81b3300", "task": "Logic", "dataset": "hotpotqa", "instruction": " 可用工具:\n[1] wikipedia_search(query: str) -> str\nWikipedia搜索工具提供对大量涵盖广泛主题的文章的访问。\n可以查询特定关键词或主题以检索准 确和全面的信息。 逐步解决以下问题:3OH!3和Regina Spektor中,哪个音乐人或团体来自美国? 步骤1:为确定哪个音乐人或团体来自美国,我们可以搜索有关他们各自的信息。 ```python # 步骤2:搜索有关3OH!3的信息。 print(wikipedia_search('3OH!3')) ``` 页面:3OH!3 摘要:3OH!3(发音为"three oh three")是一个来自美国科罗拉多州博尔德的电子音乐二人组,由Sean Foreman和Nathaniel Motte组成。他们以专辑《Want》中的单曲"DONTTRUSTME"而闻名,该单曲在Billboard Hot 100排行榜上达到第7位。他们的第二首单曲,来自《Want》专辑的"Starstrukk"(Katy Perry合作版)在英国、爱尔兰、芬兰、波兰和澳大利亚都进入了前十。他们通过与Kesha合作的歌曲"My First Kiss"获得了进一步的认可,该歌曲成为他们专辑《Streets of Gold》的主打单曲。该专辑后来在Billboard 200排行榜上达到第7位。\n\n\n\n页面:3OH!3(专辑)\n摘要:《3OH!3》是美国电子音乐乐队3OH!3的首张录音室专辑。歌曲"Holler Til You Pass Out"和"Chokechain"后来被重新混音用于该乐队的主流唱片公司首发。"Holler Til You Pass Out"、"Chokechain"和"Dance with Me"在iTunes版本的专辑中被排除在外。", "response": " 步骤1:提供的信息确认3OH!3是一个来自美国科罗拉多州博尔德的电子音乐二人组。 步骤2:我们不再需要搜索Regina Spektor的信息,因为我们的任务只是确定这两个选项中哪一个来自美国,而我们已经确认了3OH!3的出身。 步骤3:我们可以自信地得出结论,3OH!3是来自美国的音乐人/团体。 答案:3OH!3" }
{ "id": "d1f094e0e13096bc1bb6260e1e0d807e2c4ebfbbf4a4373f04cbed001c385c3c_5_3", // 唯一数据ID,包含三个部分:唯一字符串、偏好树深度和当前轮次,用"_"分隔 "parent_id": "d1f094e0e13096bc1bb6260e1e0d807e2c4ebfbbf4a4373f04cbed001c385c3c", // 具有相同parent_id的数据有相同的指令但不同的行动 "task": "Math_PoT", // 任务类型,选项 = ["Coding", "Math_Cot", "Math_PoT", "Logic"] "dataset": "MATH", // 指令来源的数据集 "trajectory": [ { "from": "user", "value": "可用工具:\n[1] Python解释器\n当你向python发送包含Python代码的消息时,它将在有状态的Jupyter笔记本环境中执行。\n请逐步解决以下数学问题。\n尽可能简化你的答案。\n简化 $(-3-2i)-(1+4i)$。" // 任务指令 }, { "from": "assistant", "value": "步骤1:要简化表达式 $(-3-2i)-(1+4i)$,我们需要将负号分配给括号内的两项。\n步骤2:然后我们可以通过分别加总实部和虚部来合并同类项。\n```python\n# 步骤3:将负号分配给括号内的两项。\n(-3) - (-1) + (-2i) - (-4i)\n# 步骤4:通过分别加总实部和虚部来合并同类项。\n-3 + 1 + (-2i + 4i)\n```" // 助手的行动(第1轮) }, { "from": "user", "value": "输出:单元格 In[1],第2行\n (-3) - (-1) + (-2i) - (-4i)\n ^\nSyntaxError: 语法无效\n你的答案是错误的。\n你简化给定复数的思路是正确的。然而,你在代码中犯了一个语法错误。在Python中,乘法运算必须用星号(*)明确写出,即使是复数也是如此。记住,Python中的虚数单位用j表示,而不是i。尝试修正语法并重新计算。" // 来自Python解释器的观察和反馈(第1轮) }, { "from": "assistant", "value": "步骤1:要简化表达式 $(-3-2i)-(1+4i)$,我们需要将负号分配给括号内的两项。\n步骤2:然后我们可以通过分别加总实部和虚部来合并同类项。\n```python\n# 步骤3:将负号分配给括号内的两项。\n(-3) - (-1) + (-2j) - (-4j)\n# 步骤4:通过分别加总实部和虚部来合并同类项。\n-3 + 1 + (-2j + 4j)\n```" // 助手根据观察和反馈作出的行动(第2轮) }, { "from": "user", "value": "输出:(-2+2j)\n你的答案是错误的。\n你简化给定复数的思路基本正确。然而,你在加法运算中犯了一个错误,实部相加(-3 + 1 ≠ -2)和虚部相加(-2j + 4j ≠ 2j)都有误。你应该正确合并同类项,得到正确答案-4和-6j。请重新尝试,进行正确的算术计算。" // 来自Python解释器的观察和反馈(第2轮) } ] // trajectory是用户和助手之间的交互,第一个元素是任务指令 "chosen": "步骤1:将表达式分解为实部和虚部。\n步骤2:实部相减。\n步骤3:虚部相减。\n步骤4:将减法结果合并得到表达式的简化形式。\n\n\n\n```python\n# 步骤5:将表达式分解为实部和虚部,然后相减。\nreal_part = -3 - 1 # 实部相减\nimaginary_part = -2 - 4 # 虚部相减\n# 步骤6:将实部和虚部合并得到结果。\nresult = f\"{real_part}{imaginary_part:+d}i\"\nprint(result)\n```", // 基于trajectory选择的答案 "rejected": "步骤1:要简化表达式 $(-3-2i)-(1+4i)$,我们需要将负号分配给括号内的两项。\n步骤2:然后我们可以通过分别加总实部和虚部来合并同类项。\n```python\n# 步骤3:将负号分配给括号内的两项。\n(-3) - 1 - (-2j) - 4j\n# 步骤4:通过分别加总实部和虚部来合并同类项。\n-3 - 1 - 2j - 4j\n```", // 基于trajectory拒绝的答案 }
@misc{yuan2024advancing, title={Advancing LLM Reasoning Generalists with Preference Trees}, author={Lifan Yuan and Ganqu Cui and Hanbin Wang and Ning Ding and Xingyao Wang and Jia Deng and Boji Shan and Huimin Chen and Ruobing Xie and Yankai Lin and Zhenghao Liu and Bowen Zhou and Hao Peng and Zhiyuan Liu and Maosong Sun}, year={2024}, eprint={2404.02078}, archivePrefix={arXiv}, primaryClass={cs.AI} }
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。
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。
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。
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。
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 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。
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。
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。
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 ×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。
最新AI工具、AI资讯
独家AI资源、AI项目落地
微信扫一扫关注公众号