InfiniteBench

InfiniteBench

长文本语言模型评测基准 挑战10万词极限

InfiniteBench是一个专门评测语言模型超长文本处理能力的基准工具。它设计了12个涵盖真实和合成场景的任务,用于测试模型在10万词以上上下文中的理解和推理能力。该基准不仅有助于推动语言模型技术进步,还为改进LLM应用提供了重要参考。InfiniteBench的多样性和专业性使其成为评估长文本处理能力的有效工具。

InfiniteBench长文本评估语言模型基准测试人工智能Github开源项目
<div align="center"> <img src="https://yellow-cdn.veclightyear.com/835a84d5/eee8f597-204b-4ac0-8df1-86242560322a.jpg" width="500px"/> <br /> <br />

InfiniteBench:将长上下文评估延伸至10万个标记以上

<p align="center"> <a href="./README_ZH.md">中文</a> • <a href="./README.md">英文</a> • <a href="https://arxiv.org/abs/2402.13718">论文</a> </p> </div>

简介

欢迎来到InfiniteBench,这是一个尖端基准测试,专门用于评估语言模型处理、理解和推理超长上下文(10万个以上标记)的能力。长上下文对于增强大型语言模型的应用和实现高级交互至关重要。InfiniteBench旨在通过测试10万个以上标记的上下文长度来突破语言模型的界限,这是传统数据集长度的10倍。

特点

  • 超长上下文: InfiniteBench在测试10万个以上标记上下文长度的语言模型方面开创先河,为该领域提供了无与伦比的挑战。
  • 多样化领域: 该基准测试包含12个独特任务,每个任务都旨在评估延长上下文中语言处理和理解的不同方面。
  • 专门测试: InfiniteBench包含的任务是已知最先进的大型语言模型在使用较短上下文时能够胜任的。这确保了性能下降仅由上下文长度引起。
  • 真实和合成场景: 任务混合了真实世界场景和合成构造,确保对模型进行全面评估。真实世界场景使测试更加实用,而合成场景则为进一步延长上下文长度留下了空间。

任务组成

<div align="center"> <img src="https://yellow-cdn.veclightyear.com/835a84d5/15429b14-30e1-472a-b09b-f572b6e42ad5.png" width="480px"> </div>
任务名称上下文示例数量平均输入标记数平均输出标记数描述
En.Sum虚构书籍103171.5k1.1k通过核心实体替换创建的虚构书籍摘要
En.QA虚构书籍351192.6k4.8基于虚构书籍的自由形式问答
En.MC虚构书籍229184.4k5.3源自虚构书籍的多项选择题
En.Dia剧本200103.6k3.4在部分匿名化的剧本中识别说话者
Zh.QA新书1752068.6k6.3基于新收集的一组书籍进行问答
Code.Debug代码文档394114.7k4.8找出代码仓库中包含崩溃错误的函数(以多项选择形式呈现)
Code.Run合成40075.2k1.3模拟执行多个简单的合成函数
Math.Calc合成5043.9k43.9k涉及超长算术方程的计算
Math.Find合成35087.9k1.3在冗长列表中查找特殊整数
Retrieve.PassKey1合成590122.4k2.0在嘈杂的长上下文中检索隐藏的密钥
Retrieve.Number合成590122.4k4.0在嘈杂的长上下文中定位重复的隐藏数字
Retrieve.KV2合成50089.9k22.7从字典和键中找到对应的值

如何下载数据

点击这里直接从🤗 Huggingface下载数据:https://huggingface.co/datasets/xinrongzhang2022/InfiniteBench

使用🤗 Datasets

或者,您可以使用🤗 Datasets库按如下方式下载。

from datasets import load_dataset dataset = load_dataset("xinrongzhang2022/InfiniteBench")

使用脚本

cd InfiniteBench bash scripts/download_dataset.sh

这将直接将数据下载到data目录。

评估结果

我们对最先进的专有和开源大型语言模型进行了评估,结果如下。

任务名称GPT-4YaRN-Mistral-7BKimi-ChatClaude 2Yi-6B-200KYi-34B-200KChatglm3-6B-128K
检索.密码100%92.71%98.14%97.80%100.00%100.00%92.20%
检索.数字100%56.61%95.42%98.14%94.92%100.00%80.68%
检索.键值89.00%< 5%53.60%65.40%< 5%< 5%< 5%
英文.总结14.73%9.09%17.96%14.50%< 5%< 5%< 5%
英文.问答22.44%9.55%16.52%11.97%9.20%12.17%< 5%
英文.多选67.25%27.95%72.49%62.88%36.68%38.43%10.48%
英文.对话8.50%7.50%11.50%46.50%< 5%< 5%< 5%
中文.问答25.96%16.98%17.93%9.64%15.07%13.61%< 5%
代码.调试37.06%< 5%17.77%< 5%9.14%13.96%7.36%
代码.运行23.25%< 5%< 5%< 5%< 5%< 5%< 5%
数学.计算< 5%< 5%< 5%< 5%< 5%< 5%< 5%
数学.查找60.00%17.14%12.57%32.29%< 5%25.71%7.71%

注意:

  1. YaRN-Mistral-7B的评估代码是我们自己实现的,如有任何问题,请联系我们或提交问题。

  2. Kimi-Chat、Claude 2和GPT-4使用官方API的默认配置进行评估。

  3. 对于数学.计算任务,括号中的值以0.01%为测量单位。这是因为在这个任务中很容易得到非常低的分数。

  4. 数学.查找、数学.计算、代码.运行、代码.调试、英文.对话、英文.多选、检索.键值、检索.数字和检索.密码任务的评估指标是准确率;

    中文.问答和英文.问答任务的评估指标是ROUGE F1分数;

    英文.总结任务的评估指标是来自🤗 Evaluate库的rougeLsum分数。

<div align="center"> <img src="https://yellow-cdn.veclightyear.com/835a84d5/4f43fc18-14d0-4b22-8590-baab8edceb29.png" width="480px"> </div>

安装

pip install -r requirements.txt

如何运行

将数据集下载到data文件夹(或通过--data_dir参数设置数据集的位置)。数据文件夹结构应如下所示:

InfiniteBench
├── data
│   ├── code_debug.jsonl
│   ├── code_run.jsonl
│   ├── kv_retrieval.jsonl
│   ├── longbook_choice_eng.jsonl
│   ├── longbook_qa_chn.jsonl
│   ├── longbook_qa_eng.jsonl
│   ├── longbook_sum_eng.jsonl
│   ├── longdialogue_qa_eng.jsonl
│   ├── math_calc.jsonl
│   ├── math_find.jsonl
│   ├── number_string.jsonl
│   ├── passkey.jsonl
│   └── construct_synthetic_dataset.py
...

然后,在src文件夹中执行:

python eval_yarn_mistral.py --task kv_retrieval python eval_gpt4.py --task longbook_sum_qa python eval_rwkv.py --task passkey

可用的任务有:

任务名称--task中指定的参数
英文.总结longbook_sum_qa
英文.问答longbook_qa_eng
英文.多选longbook_choice_eng
英文.对话longdialogue_qa_eng
中文.问答longbook_qa_chn
代码.调试code_debug
代码.运行code_run
数学.计算math_calc
数学.查找math_find
检索.密码passkey
检索.数字number_string
检索.键值kv_retrieval

引用

这将在我们的预印本论文发布后更新。

@misc{zhang2024inftybench, title={$\infty$Bench: Extending Long Context Evaluation Beyond 100K Tokens}, author={Xinrong Zhang and Yingfa Chen and Shengding Hu and Zihang Xu and Junhao Chen and Moo Khai Hao and Xu Han and Zhen Leng Thai and Shuo Wang and Zhiyuan Liu and Maosong Sun}, year={2024}, eprint={2402.13718}, archivePrefix={arXiv}, primaryClass={cs.CL} }

致谢

感谢冯聪、翟中午、曾国洋、宋晨阳、罗仁杰、何超群、涂玉琳、平博文、黄宇杰、梅煜东、张凯活、赵伟霖、孙奥、陈雨林、崔淦曲。

参考文献

Footnotes

  1. Mohtashami, Amirkeivan and Martin Jaggi. "Landmark Attention: Random-Access Infinite Context Length for Transformers." ArXiv abs/2305.16300 (2023): n. pag.

  2. Liu, Nelson F. et al. "Lost in the Middle: How Language Models Use Long Contexts." ArXiv abs/2307.03172 (2023): n. pag.

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