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。
评估LLM的基准测试和数据集集合。
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:
资源:
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:
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:
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:
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