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

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