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。
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。
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。
我们在此展示HalluQA的一些数据示例。
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。
pip install openai
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"
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>
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-Bot | 70.86 | 46.38 | 75.73 | 69.33 |
Baichuan2-53B | 59.43 | 43.48 | 83.98 | 68.22 |
ChatGLM-Pro | 64.00 | 34.78 | 67.96 | 61.33 |
SparkDesk | 59.43 | 27.54 | 71.36 | 60.00 |
对话模型 | ||||
abab5.5-chat | 60.57 | 39.13 | 57.77 | 56.00 |
gpt-4-0613 | 76.00 | 57.97 | 32.04 | 53.11 |
Qwen-14B-chat | 75.43 | 23.19 | 30.58 | 46.89 |
Baichuan2-13B-chat | 61.71 | 24.64 | 32.04 | 42.44 |
Baichuan2-7B-chat | 54.86 | 28.99 | 32.52 | 40.67 |
gpt-3.5-turbo-0613 | 66.29 | 30.43 | 19.42 | 39.33 |
Xverse-13B-chat | 65.14 | 23.19 | 22.33 | 39.11 |
Xverse-7B-chat | 64.00 | 13.04 | 21.84 | 36.89 |
ChatGLM2-6B | 55.43 | 23.19 | 21.36 | 34.89 |
Qwen-7B-chat | 55.43 | 14.49 | 17.48 | 31.78 |
Baichuan-13B-chat | 49.71 | 8.70 | 23.30 | 31.33 |
ChatGLM-6b | 52.57 | 20.29 | 15.05 | 30.44 |
预训练模型 | ||||
Qwen-14B | 54.86 | 23.19 | 24.76 | 36.22 |
Baichuan2-13B-base | 23.43 | 24.64 | 45.63 | 33.78 |
Qwen-7B | 48.57 | 20.29 | 16.99 | 29.78 |
Xverse-13B | 18.86 | 24.64 | 32.52 | 27.33 |
Baichuan-13B-base | 9.71 | 18.84 | 40.78 | 25.33 |
Baichuan2-7B-base | 8.00 | 21.74 | 41.26 | 25.33 |
Baichuan-7B-base | 6.86 | 15.94 | 37.38 | 22.22 |
Xverse-7B | 12.00 | 13.04 | 29.61 | 20.22 |
每个模型生成的答案和GPT-4相应的判断在**Chinese_LLMs_outputs/**目录中。
以下是七个代表性模型在多项选择任务上的准确率。
@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} }
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。
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。
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。
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。
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。
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。
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