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

openai-agents-python

openai-agents-python

OpenAI Agents SDK,助力开发者便捷使用 OpenAI 相关功能。

openai-agents-python 是 OpenAI 推出的一款强大 Python SDK,它为开发者提供了与 OpenAI 模型交互的高效工具,支持工具调用、结果处理、追踪等功能,涵盖多种应用场景,如研究助手、财务研究等,能显著提升开发效率,让开发者更轻松地利用 OpenAI 的技术优势。

Hunyuan3D-2

Hunyuan3D-2

高分辨率纹理 3D 资产生成

Hunyuan3D-2 是腾讯开发的用于 3D 资产生成的强大工具,支持从文本描述、单张图片或多视角图片生成 3D 模型,具备快速形状生成能力,可生成带纹理的高质量 3D 模型,适用于多个领域,为 3D 创作提供了高效解决方案。

3FS

3FS

一个具备存储、管理和客户端操作等多种功能的分布式文件系统相关项目。

3FS 是一个功能强大的分布式文件系统项目,涵盖了存储引擎、元数据管理、客户端工具等多个模块。它支持多种文件操作,如创建文件和目录、设置布局等,同时具备高效的事件循环、节点选择和协程池管理等特性。适用于需要大规模数据存储和管理的场景,能够提高系统的性能和可靠性,是分布式存储领域的优质解决方案。

TRELLIS

TRELLIS

用于可扩展和多功能 3D 生成的结构化 3D 潜在表示

TRELLIS 是一个专注于 3D 生成的项目,它利用结构化 3D 潜在表示技术,实现了可扩展且多功能的 3D 生成。项目提供了多种 3D 生成的方法和工具,包括文本到 3D、图像到 3D 等,并且支持多种输出格式,如 3D 高斯、辐射场和网格等。通过 TRELLIS,用户可以根据文本描述或图像输入快速生成高质量的 3D 资产,适用于游戏开发、动画制作、虚拟现实等多个领域。

ai-agents-for-beginners

ai-agents-for-beginners

10 节课教你开启构建 AI 代理所需的一切知识

AI Agents for Beginners 是一个专为初学者打造的课程项目,提供 10 节课程,涵盖构建 AI 代理的必备知识,支持多种语言,包含规划设计、工具使用、多代理等丰富内容,助您快速入门 AI 代理领域。

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。

下拉加载更多