HalluQA

HalluQA

中文大语言模型幻觉评估基准

HalluQA是一个评估中文大语言模型幻觉问题的基准测试。该项目包含450个涵盖多领域的对抗性问题,考虑中国特色文化因素。HalluQA提供数据集、评估脚本和多选任务,采用GPT-4评估非幻觉率。研究结果揭示不同模型在处理误导性和知识性问题的表现,为中文大语言模型的改进提供参考。

HalluQA大型语言模型中文幻觉评估基准问答任务Github开源项目

评估中文大语言模型的幻觉问题

本仓库包含HalluQA(中文幻觉问答)基准测试的数据和评估脚本。 HalluQA的完整数据在HalluQA.json文件中。 介绍HalluQA并详细展示多个中文大语言模型实验结果的论文在这里

更新

2024.2.28:我们为HalluQA添加了多项选择任务。 多项选择任务的测试数据在HalluQA_mc.json中。 多项选择问答的提示语在prompts/Chinese_QA_prompt_mc.txt中。

数据收集流程

HalluQA包含450个精心设计的对抗性问题,涵盖多个领域,并考虑了中国历史文化、习俗和社会现象。数据收集流程如上图所示。在第1步,我们编写我们认为可能诱导模型产生幻觉的问题。在第2步,我们使用ChatGPT3.5/Puyu/GLM-130B生成答案并收集对抗性问题。在第3步,我们为每个对抗性问题编写多个正确和错误的答案,并添加支持证据。在第4步,我们检查所有标注的问答对,并删除低质量样本。

数据示例

我们在此展示HalluQA的一些数据示例。

评估指标和方法

我们使用非幻觉率作为HalluQA的评估指标,它表示模型生成的所有答案中不存在幻觉的答案所占的百分比。 对于自动评估,我们使用GPT-4作为评估器。GPT-4将根据给定的标准和参考正确答案来判断生成的答案是否存在幻觉。 GPT-4评估的提示语在calculate_metrics.py中。

为您的模型运行评估

  1. 安装依赖
pip install openai
  1. 使用我们的脚本运行评估。
python calculate_metrics.py --response_file_name gpt-4-0613_responses.json("替换为您自己的响应文件") --api_key "您的openai api密钥" --organization "您的openai账户组织"
  1. 结果和指标将分别保存在results.json和non_hallucination_rate.txt中。

多项选择任务

我们还为HalluQA提供了一个多项选择任务。 您需要首先使用要测试的模型为每个问题生成答案,使用我们的多项选择提示语,然后使用以下脚本计算多项选择任务的准确率。

python calculate_metrics_mc.py --response_file_name <您的结果文件名>

结果

排行榜

各模型在不同类型问题上的非幻觉率

模型误导性误导性-困难知识性总计
检索增强对话模型
ERNIE-Bot70.8646.3875.7369.33
Baichuan2-53B59.4343.4883.9868.22
ChatGLM-Pro64.0034.7867.9661.33
SparkDesk59.4327.5471.3660.00
对话模型
abab5.5-chat60.5739.1357.7756.00
gpt-4-061376.0057.9732.0453.11
Qwen-14B-chat75.4323.1930.5846.89
Baichuan2-13B-chat61.7124.6432.0442.44
Baichuan2-7B-chat54.8628.9932.5240.67
gpt-3.5-turbo-061366.2930.4319.4239.33
Xverse-13B-chat65.1423.1922.3339.11
Xverse-7B-chat64.0013.0421.8436.89
ChatGLM2-6B55.4323.1921.3634.89
Qwen-7B-chat55.4314.4917.4831.78
Baichuan-13B-chat49.718.7023.3031.33
ChatGLM-6b52.5720.2915.0530.44
预训练模型
Qwen-14B54.8623.1924.7636.22
Baichuan2-13B-base23.4324.6445.6333.78
Qwen-7B48.5720.2916.9929.78
Xverse-13B18.8624.6432.5227.33
Baichuan-13B-base9.7118.8440.7825.33
Baichuan2-7B-base8.0021.7441.2625.33
Baichuan-7B-base6.8615.9437.3822.22
Xverse-7B12.0013.0429.6120.22

详细结果

每个模型生成的答案和GPT-4相应的判断在**Chinese_LLMs_outputs/**目录中。

多项选择任务结果

以下是七个代表性模型在多项选择任务上的准确率。

致谢

  • 我们衷心感谢参与此项工作的上海人工智能实验室的标注人员和工作人员。
  • 我特别感谢孙天祥、刘祥阳和张文伟的指导和帮助。
  • 我也感谢蒲新阳的帮助和耐心。

引用

@article{DBLP:journals/corr/abs-2310-03368, author = {Qinyuan Cheng and Tianxiang Sun and Wenwei Zhang and Siyin Wang and Xiangyang Liu and Mozhi Zhang and Junliang He and Mianqiu Huang and Zhangyue Yin and Kai Chen and Xipeng Qiu}, title = {Evaluating Hallucinations in Chinese Large Language Models}, journal = {CoRR}, volume = {abs/2310.03368}, year = {2023}, url = {https://doi.org/10.48550/arXiv.2310.03368}, doi = {10.48550/arXiv.2310.03368}, eprinttype = {arXiv}, eprint = {2310.03368}, timestamp = {Thu, 19 Oct 2023 13:12:52 +0200}, biburl = {https://dblp.org/rec/journals/corr/abs-2310-03368.bib}, bibsource = {dblp computer science bibliography, https://dblp.org} }

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