babilong

babilong

BABILong基准测试长文本处理能力 评估大语言模型极限

BABILong是一个用于评估自然语言处理模型长文本处理能力的基准测试。它将bAbI数据集的任务句子隐藏在PG19背景文本中,生成长达数百万标记的测试样本。该基准包含20个推理任务,涉及事实链接、归纳、演绎和计数等多个方面。BABILong为评估和改进大语言模型的长文本处理能力提供了有效工具,同时也对现有长文本模型提出了挑战。

BABILong长文本处理语言模型评估推理能力数据集Github开源项目

BABILong:针对大语言模型的长上下文"大海捞针"基准测试

预印本已发布在arXiv上。

HF Datasets上的BABILong评估集:每个任务和每个长度(0、1、2、4、8、16、32、64、128、256、512k、1M和10M)的100个样本1000个样本

Hugging Face上的BABILong排行榜

本项目由AIRI、DeepPavlov.ai和伦敦数学科学研究所合作完成。

bAbI + 书籍 = BABILong

BABILong是一个新颖的生成式基准测试,用于评估自然语言处理模型在处理任意长度文档中分散事实的性能。

解决长上下文任务需要模型能够从大量无关细节中区分出重要信息。为了模拟这种行为,我们将原始任务的句子"隐藏"在无关文本的句子之间。我们使用bAbI数据集[1]作为事实,PG19[2]作为背景文本。最终的测试样本可能长达数百万个标记

<img src="https://yellow-cdn.veclightyear.com/835a84d5/cc459193-4097-4ec9-bca8-d680a39997d9.png" alt="drawing" width="500"/>

BABILong由20个任务组成,旨在评估推理的基本方面。bAbI任务通过模拟一组角色和物体在多个位置进行各种移动和互动来生成。每个互动都用一个事实表示,例如**"玛丽去了办公室",任务是使用当前模拟中的事实回答一个问题,比如"玛丽在哪里?"**。bAbI任务根据事实数量、问题复杂性和推理方面的不同而变化。

BABILong的前十个任务

任务名称每个任务的事实数每个任务的支持事实数
qa1单个支持事实2 - 101
qa2两个支持事实2 - 682
qa3三个支持事实4 - 323
qa4双参数关系21
qa5三参数关系2 - 1261
qa6是非问题2 - 261
qa7计数2 - 521-10
qa8列表集合2 - 501-8
qa9简单否定2 - 101
qa10不确定知识2 - 101

数据集使用示例

在Colab中打开 BABILong笔记本

大语言模型评估结果

<img src="https://yellow-cdn.veclightyear.com/835a84d5/feaf85bd-c2bb-40fa-9784-dbf94f96dd05.png" alt="drawing" width="1000"/>

我们在评估中包含了Hugging Face平台上每月下载量最高的长上下文模型。数值代表BABILong的QA1-QA5任务的平均准确率。

BABILong对当前长上下文模型来说是一个具有挑战性的基准测试。

即使是声称支持128K标记的模型,如GPT-4(gpt-4-0125-preview),在超过其输入容量的10%时也会出现性能下降。RAG方法无法提供帮助,而小规模模型(RMT 137M和Mamba 130M)的微调表明这些任务是可解的。

在BABILong上评估你喜欢的大语言模型

./notebooks./scripts文件夹中提供了评估流行大语言模型的示例。

在BABILong上训练你的模型

RMT运行示例

你可以使用./data中的README生成训练样本。

我们在BABILong上评估的各种大语言模型(GPT-4、GPT-3.5、Mistral、Mixtral、Phi-3、ChatGLM、Yi、Jamba)的预测结果在predictions_06_2024分支中。

加入挑战:帮助构建BABILong大语言模型排行榜!

我们热切邀请社区参与扩展BABILong基准测试,这是评估大语言模型在处理和理解长上下文信息能力的重要工具。你的贡献可以帮助创建一个全面的排行榜,反映自然语言处理领域的当前状态和进展。

如何贡献

  • 测试你的模型: 使用BABILong评估你自己的大语言模型。分享你的发现,帮助我们了解不同模型在复杂、长上下文任务上的表现。
  • 分享见解: 如果你进行了实验或对改进大语言模型在BABILong任务上的表现有见解,我们很乐意听取你的意见。
  • 开发新任务: 通过贡献挑战和推动当前自然语言处理技术边界的新任务来增强基准测试。
  • 改进基准测试: 我们随时欢迎对BABILong的设计、方法或文档的改进建议。
  • 传播信息: 帮助我们扩大受众。在你的网络中分享这个基准测试,并鼓励他人参与。

提交你的结果

要提交你的结果或贡献,请按以下步骤操作:

  1. 准备数据: 确保您的结果有详细记录,包括模型细节、上下文大小以及任何特定的配置或微调应用。
  2. 创建拉取请求: 通过向BABILong GitHub仓库提交拉取请求来提交您的结果或贡献。
  3. 文档: 包含对您提交内容的清晰描述和任何可以帮助审核过程的相关细节。

通过参与,您不仅为自然语言处理研究的发展做出贡献,还在帮助塑造语言模型在处理现实世界复杂长文本内容方面的未来能力。让我们携手合作,使BABILong成为下一代大型语言模型基准测试的基石!

加入我们这项激动人心的努力,让我们一起突破可能性的界限!

引用

@misc{kuratov2024babilong,
      title={BABILong: Testing the Limits of LLMs with Long Context Reasoning-in-a-Haystack}, 
      author={Yuri Kuratov and Aydar Bulatov and Petr Anokhin and Ivan Rodkin and Dmitry Sorokin and Artyom Sorokin and Mikhail Burtsev},
      year={2024},
      eprint={2406.10149},
      archivePrefix={arXiv},
      primaryClass={id='cs.CL' full_name='Computation and Language' is_active=True alt_name='cmp-lg' in_archive='cs' is_general=False description='Covers natural language processing. Roughly includes material in ACM Subject Class I.2.7. Note that work on artificial languages (programming languages, logics, formal systems) that does not explicitly address natural-language issues broadly construed (natural-language processing, computational linguistics, speech, text retrieval, etc.) is not appropriate for this area.'}
}
@misc{kuratov2024search,
      title={In Search of Needles in a 10M Haystack: Recurrent Memory Finds What LLMs Miss}, 
      author={Yuri Kuratov and Aydar Bulatov and Petr Anokhin and Dmitry Sorokin and Artyom Sorokin and Mikhail Burtsev},
      year={2024},
      eprint={2402.10790},
      archivePrefix={arXiv},
      primaryClass={cs.CL}
}

数据集元数据

以下表格对于本数据集被搜索引擎(如<a href="https://g.co/datasetsearch">Google数据集搜索</a>)索引是必要的。

<div itemscope itemtype="http://schema.org/Dataset"> <table> <tr> <th>属性</th> <th>值</th> </tr> <tr> <td>名称</td> <td><code itemprop="name">BABILong基准测试</code></td> </tr> <tr> <td>别名</td> <td><code itemprop="alternateName">BABILong</code></td> </tr> <tr> <td>网址</td> <td><code itemprop="url">https://github.com/booydar/babilong</code></td> </tr> <tr> <td>同上</td> <td><code itemprop="sameAs">https://github.com/booydar/babilong</code></td> </tr> <tr> <td>描述</td> <td><code itemprop="description">此仓库包含BABILong基准测试的代码和说明。BABILong基准测试旨在测试语言模型在极长文档中分布的事实间进行推理的能力。BABILong包括20个多样化的推理任务,包括事实链接、简单归纳、推理、计数以及处理列表/集合。BABILong使用来自bAbI的事实和问题作为任务。PG-19书籍被用作长自然上下文的来源。</code></td> </tr> <tr> <td>许可证</td> <td> <div itemscope itemtype="http://schema.org/CreativeWork" itemprop="license"> <table> <tr> <th>属性</th> <th>值</th> </tr> <tr> <td>名称</td> <td><code itemprop="name">Apache许可证2.0版</code></td> </tr> <tr> <td>网址</td> <td><code itemprop="url">https://www.apache.org/licenses/LICENSE-2.0.html</code></td> </tr> </table> </div> </td> </tr> <tr> <td>引用</td> <td><code itemprop="citation">https://identifiers.org/arxiv:2402.10790</code></td> </tr> </table> </div>

参考文献

[1] Weston, Jason等,"走向AI完备问答:一套前提玩具任务"。arXiv预印本 arXiv:1502.05698 (2015)。

[2] Rae, Jack W.等,"用于长程序列建模的压缩变换器"。国际学习表示会议。2019。

许可证

我们的代码在Apache 2.0许可下发布。我们使用来自PG-19语料库(Rae等,2020)(Apache 2.0许可)和bAbI数据集(Weston等,2016)(BSD许可)的数据。

编辑推荐精选

讯飞智文

讯飞智文

一键生成PPT和Word,让学习生活更轻松

讯飞智文是一个利用 AI 技术的项目,能够帮助用户生成 PPT 以及各类文档。无论是商业领域的市场分析报告、年度目标制定,还是学生群体的职业生涯规划、实习避坑指南,亦或是活动策划、旅游攻略等内容,它都能提供支持,帮助用户精准表达,轻松呈现各种信息。

AI办公办公工具AI工具讯飞智文AI在线生成PPTAI撰写助手多语种文档生成AI自动配图热门
讯飞星火

讯飞星火

深度推理能力全新升级,全面对标OpenAI o1

科大讯飞的星火大模型,支持语言理解、知识问答和文本创作等多功能,适用于多种文件和业务场景,提升办公和日常生活的效率。讯飞星火是一个提供丰富智能服务的平台,涵盖科技资讯、图像创作、写作辅助、编程解答、科研文献解读等功能,能为不同需求的用户提供便捷高效的帮助,助力用户轻松获取信息、解决问题,满足多样化使用场景。

热门AI开发模型训练AI工具讯飞星火大模型智能问答内容创作多语种支持智慧生活
Spark-TTS

Spark-TTS

一种基于大语言模型的高效单流解耦语音令牌文本到语音合成模型

Spark-TTS 是一个基于 PyTorch 的开源文本到语音合成项目,由多个知名机构联合参与。该项目提供了高效的 LLM(大语言模型)驱动的语音合成方案,支持语音克隆和语音创建功能,可通过命令行界面(CLI)和 Web UI 两种方式使用。用户可以根据需求调整语音的性别、音高、速度等参数,生成高质量的语音。该项目适用于多种场景,如有声读物制作、智能语音助手开发等。

Trae

Trae

字节跳动发布的AI编程神器IDE

Trae是一种自适应的集成开发环境(IDE),通过自动化和多元协作改变开发流程。利用Trae,团队能够更快速、精确地编写和部署代码,从而提高编程效率和项目交付速度。Trae具备上下文感知和代码自动完成功能,是提升开发效率的理想工具。

AI工具TraeAI IDE协作生产力转型热门
咔片PPT

咔片PPT

AI助力,做PPT更简单!

咔片是一款轻量化在线演示设计工具,借助 AI 技术,实现从内容生成到智能设计的一站式 PPT 制作服务。支持多种文档格式导入生成 PPT,提供海量模板、智能美化、素材替换等功能,适用于销售、教师、学生等各类人群,能高效制作出高品质 PPT,满足不同场景演示需求。

讯飞绘文

讯飞绘文

选题、配图、成文,一站式创作,让内容运营更高效

讯飞绘文,一个AI集成平台,支持写作、选题、配图、排版和发布。高效生成适用于各类媒体的定制内容,加速品牌传播,提升内容营销效果。

热门AI辅助写作AI工具讯飞绘文内容运营AI创作个性化文章多平台分发AI助手
材料星

材料星

专业的AI公文写作平台,公文写作神器

AI 材料星,专业的 AI 公文写作辅助平台,为体制内工作人员提供高效的公文写作解决方案。拥有海量公文文库、9 大核心 AI 功能,支持 30 + 文稿类型生成,助力快速完成领导讲话、工作总结、述职报告等材料,提升办公效率,是体制打工人的得力写作神器。

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。

下拉加载更多