llm_benchmarks

llm_benchmarks

大语言模型评估基准集合

llm_benchmarks是一个全面的大语言模型评估基准集合,涵盖知识理解、推理能力、多轮对话和内容摘要等方面。该项目包含MMLU、ARC、GLUE等知名数据集,用于测试模型在不同任务中的表现。这一标准化工具为评估大语言模型性能提供了可靠依据,有助于相关技术的发展与应用。

LLM自然语言处理人工智能机器学习语言理解Github开源项目

LLM基准测试

评估LLM的基准测试和数据集集合。

知识和语言理解

大规模多任务语言理解(MMLU)

  • 描述: 测量57个不同学科的一般知识,涵盖从STEM到社会科学的领域。
  • 目的: 评估LLM在广泛学科领域的理解和推理能力。
  • 相关性: 适用于需要广泛世界知识和问题解决能力的多功能AI系统。
  • 来源: 测量大规模多任务语言理解
  • 资源:

AI2推理挑战(ARC)

通用语言理解评估(GLUE)

自然问题

考虑话语方面的扩展语言建模(LAMBADA)

HellaSwag

多体裁自然语言推理(MultiNLI)

SuperGLUE

TriviaQA

WinoGrande

SciQ

  • 描述: 由主要涉及物理、化学和生物等自然科学的多选题组成。
  • 目的: 测试回答科学问题的能力,通常附有额外的支持文本。
  • 相关性: 适用于教育工具,特别是科学教育和知识测试平台。
  • 来源: 众包多选科学问题
  • 资源:

推理能力

GSM8K

  • 描述: 一组8.5K道小学数学题目,涵盖基础到中级数学运算。
  • 目的: 测试大语言模型解决多步骤数学问题的能力。
  • 相关性: 用于评估AI解决基本数学问题的能力,在教育领域具有价值。
  • 来源: 训练验证器解决数学应用题
  • 资源:

段落离散推理(DROP)

反事实推理评估(CRASS)

大规模考试阅读理解数据集(RACE)

  • 描述: 一组源自中国学生英语考试的阅读理解问题。
  • 目的: 测试大语言模型对复杂阅读材料的理解和回答考试级别问题的能力。
  • 相关性: 适用于语言学习应用和考试准备教育系统。
  • 来源: RACE:大规模考试阅读理解数据集
  • 资源:

大基准难题(BBH)

AGIEval

BoolQ

多轮开放式对话

MT-bench

上下文问答(QuAC)

  • 描述: 包含14,000个对话,共100,000对问答,模拟学生-教师互动。
  • 目的: 用上下文相关、有时无法回答的对话问题挑战大语言模型。
  • 相关性: 适用于对话AI、教育软件和上下文感知信息系统。
  • 来源: QuAC:上下文问答
  • 资源:

实际应用和抽象摘要

环境临床智能基准(ACI-BENCH)

机器阅读理解数据集(MS-MARCO)

基于查询的多领域会议摘要(QMSum)

  • 描述: 一个基准测试,用于根据特定查询总结会议中相关部分的内容。
  • 目的: 评估模型从会议内容中提取和总结重要信息的能力。
  • 相关性: 适用于商业智能工具、会议分析应用和自动摘要系统。
  • 来源: QMSum:基于查询的多领域会议摘要新基准
  • 资源:

物理交互:问答(PIQA)

  • 描述: 通过假设场景和解决方案测试对物理世界的知识和理解。
  • 目的: 衡量模型处理物理交互场景的能力。
  • 相关性: 对机器人、物理模拟和实际问题解决系统的人工智能应用很重要。
  • 来源: PIQA:用自然语言推理物理常识
  • 资源:

内容审核和叙事控制

ToxiGen

有帮助、诚实、无害(HHH)

TruthfulQA

  • 描述: 一个基准,用于评估大型语言模型在回答容易产生错误信念和偏见的问题时的真实性。
  • 目的: 测试模型提供准确和无偏见信息的能力。
  • 相关性: 对于需要提供准确和无偏见信息的人工智能系统很重要,如教育或咨询角色。
  • 来源: TruthfulQA:衡量模型如何模仿人类谬误
  • 资源:

负责任的人工智能(RAI)

  • 描述: 一个框架,用于评估对话优化模型在对话环境中的安全性。
  • 目的: 评估人工智能驱动的对话中潜在的有害内容、知识产权泄露和安全漏洞。
  • 相关性: 对开发安全和可靠的对话式人工智能应用至关重要,尤其是在敏感领域。
  • 来源: 生成式人工智能应用中负责任人工智能危害自动测量框架

编码能力

CodeXGLUE

HumanEval

  • 描述: 包含编程挑战,用于评估大型语言模型根据指令编写功能代码的能力。
  • 目的: 测试根据给定要求生成正确和高效代码的能力。
  • 相关性: 对自动代码生成工具、编程助手和编码教育平台很重要。
  • 来源: 评估在代码上训练的大型语言模型
  • 资源:

主要基础Python编程(MBPP)

大型语言模型辅助评估

LLM评判

  • 来源: 以LLM作为评判者评估MT-Bench和Chatbot Arena

  • 摘要: 由于大型语言模型(LLM)聊天助手能力广泛,而现有基准测试在衡量人类偏好方面不足,评估它们具有挑战性。为解决这个问题,我们探索使用强大的LLM作为评判者,对这些模型进行更开放性问题的评估。我们研究了LLM作为评判者的使用和局限性,包括位置、冗长和自我强化偏见,以及有限的推理能力,并提出解决方案来缓解其中一些问题。然后,我们通过引入两个基准测试来验证LLM评判者与人类偏好的一致性:MT-bench,一个多轮问题集;以及Chatbot Arena,一个众包对战平台。我们的结果显示,像GPT-4这样强大的LLM评判者能很好地匹配受控和众包的人类偏好,达到80%以上的一致性,与人类之间的一致性水平相同。因此,LLM作为评判者是一种可扩展和可解释的方式来近似人类偏好,而这些偏好通常很昂贵难以获得。此外,我们通过评估LLaMA和Vicuna的几个变体,展示了我们的基准测试与传统基准测试是互补的。MT-bench问题、3K专家投票和30K带有人类偏好的对话已在此https URL公开可用。

  • 见解:

    • 使用MT-bench问题和提示,通过LLM作为评判者来评估您的模型。MT-bench是一组具有挑战性的多轮开放式问题,用于评估聊天助手。为了自动化评估过程,我们提示像GPT-4这样的强大LLM充当评判者,评估模型回答的质量。
  • 资源:

LLM-Eval

  • 来源: 使用大型语言模型进行开放域对话的统一多维自动评估

  • 摘要: 我们提出了LLM-Eval,一种使用大型语言模型(LLM)对开放域对话进行统一多维自动评估的方法。现有的评估方法通常依赖人工标注、标准答案或多个LLM提示,这可能成本高昂且耗时。为解决这些问题,我们设计了一种基于单一提示的评估方法,利用统一的评估模式在单次模型调用中涵盖对话质量的多个维度。我们在各种基准数据集上广泛评估了LLM-Eval的性能,证明了它相比最先进的评估方法具有效果、效率和适应性。我们的分析还强调了为获得准确的评估结果,选择合适的LLM和解码策略的重要性。LLM-Eval为评估开放域对话系统提供了一种多功能且稳健的解决方案,简化了评估过程,并在不同场景中提供一致的性能。

  • 见解:

    • 顶级LLM(如GPT4、Claude)与人类评分的相关性比基于指标的评估方法更好。

JudgeLM

  • 来源: JudgeLM: 微调的大型语言模型是可扩展的评判者

  • 摘要: 在开放性场景中评估大型语言模型(LLM)具有挑战性,因为现有的基准和指标无法全面衡量它们。为解决这个问题,我们提出微调LLM作为可扩展的评判者(JudgeLM),以高效有效地评估LLM在开放性基准测试中的表现。我们首先提出了一个全面、大规模、高质量的数据集,包含任务种子、LLM生成的答案和GPT-4生成的判断,用于微调高性能评判者,以及一个用于评估评判者的新基准。我们训练了7B、13B到33B参数的不同规模的JudgeLM,并对其能力和行为进行了系统分析。然后,我们分析了将LLM微调为评判者的关键偏差,并将其视为位置偏差、知识偏差和格式偏差。为解决这些问题,JudgeLM引入了一系列技术,包括交换增强、参考支持和参考丢弃,明显提高了评判者的性能。JudgeLM在现有的PandaLM基准和我们提出的新基准上都获得了最先进的评判性能。我们的JudgeLM效率很高,JudgeLM-7B只需3分钟就能用8个A100 GPU评判5K个样本。JudgeLM与教师评判者获得了高度一致,达到超过90%的一致性,甚至超过了人与人之间的一致性。JudgeLM还展示了扩展能力,可以作为单一答案、多模态模型、多个答案和多轮对话的评判者。

  • 见解:

    • 相对较小的模型(如7b模型)可以被微调成可靠的其他模型评判者。

Prometheus

  • 来源: Prometheus: 在语言模型中诱导细粒度评估能力

  • 摘要: 最近,使用强大的专有大型语言模型(LLM)(如GPT-4)作为长文本回答的评估者已成为事实标准。然而,对于具有大规模评估任务和考虑自定义标准(如儿童可读性)的从业者来说,由于封闭源代码性质、不可控的版本控制和高昂的成本,使用专有LLM作为评估者是不可靠的。在这项工作中,我们提出了Prometheus,一个完全开源的LLM,当伴随适当的参考材料(参考答案、评分标准)时,其评估能力与GPT-4相当。我们首先构建了Feedback Collection,这是一个新数据集,包含1K个细粒度评分标准、20K个指令和100K个由GPT-4生成的回答和语言反馈。使用Feedback Collection,我们训练了Prometheus,一个13B参数的评估器LLM,可以根据用户提供的自定义评分标准评估任何给定的长文本。实验结果显示,Prometheus在使用45个自定义评分标准进行评估时,与人类评估者的皮尔逊相关系数为0.897,与GPT-4(0.882)相当,并大大优于ChatGPT(0.392)。此外,在四个基准测试(MT Bench、Vicuna Bench、Feedback Bench、Flask Eval)中使用1222个自定义评分标准测量与GPT-4的相关性,显示了类似的趋势,强化了Prometheus作为评估器LLM的能力。最后,Prometheus在两个人类偏好基准(HHH Alignment & MT Bench Human Judgment)上达到最高准确率,相比明确训练于人类偏好数据集的开源奖励模型,突出了其作为通用奖励模型的潜力。

  • 见解:

    • 评分标准和参考答案极大地提高了与人类评分的相关性。

行业资源

  • 潜在空间 - 基准测试201:为什么排行榜优于竞技场 >> 以LLM作为评判
  • 摘要:
    • OpenLLM排行榜由Clémentine Fourrier维护,是一种标准化且可重复的评估语言模型性能的方法。
    • 该排行榜最初在2023年夏季获得关注,已有超过200万独立访客和30万活跃社区成员。
    • 排行榜最近的更新(v2版本)包括六个基准测试,以解决模型过拟合问题,并为提高性能提供更多空间。
    • 不建议使用LLM作为评判,因为存在模式崩溃和位置偏差等问题。
    • 如果必须使用LLM作为评判,建议使用Prometheus或JudgeLM等开源LLM以确保可重复性。
    • LMSys Arena是另一个面向AI工程师的平台,但其排名不可重复,可能无法准确反映模型能力。

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