simple-evals

simple-evals

开源轻量级语言模型评估库 展示AI性能数据

simple-evals是一个开源的轻量级语言模型评估库,用于展示AI模型的准确性数据。该库采用零样本链式思维方法,包含MMLU、MATH、GPQA等评估任务,并支持OpenAI和Claude等API接口。simple-evals为研究人员和开发者提供了评估和比较不同语言模型性能的工具,反映模型在实际应用中的表现。

language models评估简单评估库OpenAIAPIGithub开源项目

概述

本仓库包含一个用于评估语言模型的轻量级库。 我们开源它是为了能够透明地展示我们最新模型(从gpt-4-turbo-2024-04-09gpt-4o-2024-05-13开始)所公布的准确性数据。

评估对提示很敏感,最近的出版物和库中使用的表述方式存在显著差异。 有些使用少样本提示或角色扮演提示("你是一位专业的软件程序员...")。 这些方法是从评估基础模型(而非指令/对话微调模型)以及从较差的指令遵循模型中沿用下来的。

对于这个库,我们强调零样本、思维链设置,使用简单的指令如"解决以下多选题"。我们认为这种提示技术能更好地反映模型在实际使用中的表现。

**我们不会积极维护此仓库或监控PR和Issues。**特别是,我们不接受新的评估。以下是我们可能接受的更改:

  • 错误修复(希望不需要!)
  • 为新模型添加适配器
  • 在下面的表格中添加新行,展示新模型和新系统提示的评估结果。

本仓库并非旨在替代https://github.com/openai/evals,后者设计用于全面收集大量评估。

评估

本仓库目前包含以下评估:

采样器

我们已经为以下语言模型API实现了采样接口:

在使用这些API之前,请确保设置了*_API_KEY环境变量。

设置

由于可选依赖项的存在,我们不提供统一的设置机制。相反,我们为每个评估和采样器提供单独的说明。

对于HumanEval(Python编程)

git clone https://github.com/openai/human-eval pip install -e human-eval

对于OpenAI API

pip install openai

对于Anthropic API

pip install anthropic

演示

python -m simple-evals.demo

这将通过OpenAI API启动评估。

基准测试结果

模型提示词MMLUGPQAMATHHumanEvalMGSMDROP<br>(F1,3-shot)
OPENAI GPT4s
gpt-4o-2024-08-06助手188.753.175.990.290.079.8
gpt-4o-2024-05-13chatgpt288.753.676.690.290.583.4
gpt-4o-2024-05-13助手187.249.976.691.089.983.7
gpt-4-turbo-2024-04-09chatgpt86.549.172.287.688.685.4
gpt-4-turbo-2024-04-09助手86.749.373.488.289.686.0
gpt-4-1106(-vision)-previewchatgpt84.642.164.182.286.581.3
gpt-4-1106(-vision)-preview助手84.742.564.383.787.183.2
gpt-4-0125-previewchatgpt84.839.764.288.283.783.4
gpt-4-0125-preview助手85.441.464.586.685.181.5
===
gpt-4o-mini-2024-07-18助手82.040.270.287.287.079.7
参考-重新运行
Claude-3-Opus (通过API重新运行)384.149.763.284.889.779.0
Claude-3-Opus (通过API重新运行)lmsys484.250.763.882.989.277.1
Llama3 70b (通过API重新运行)80.241.352.870.182.681.4
参考-报告(5-shot)
Claude-3-Opus (报告5)未知86.850.460.184.990.783.1
Gemini-Ultra-1.0 (报告6)未知83.7不适用53.274.479.082.4
Gemini-Pro-1.5 (报告6)未知81.9不适用58.571.988.778.9
Llama3 8b (报告7)未知68.434.230.062.2不适用58.4
Llama3 70b (报告7)未知82.039.550.481.7不适用79.7
Llama3 400b (仍在训练中,报告7)未知86.148.057.884.1不适用83.5

法律事项

通过为evals做出贡献,您同意将您的评估逻辑和数据置于与本仓库相同的MIT许可下。您必须拥有足够的权利来上传用于评估的任何数据。OpenAI保留在未来产品服务改进中使用这些数据的权利。对OpenAI evals的贡献将受我们常规使用政策的约束:https://platform.openai.com/docs/usage-policies。

Footnotes

  1. 助手系统消息在OpenAI API文档中:"你是一个乐于助人的助手。" 2

  2. chatgpt系统消息:"你是ChatGPT,一个由OpenAI基于GPT-4架构训练的大型语言模型。知识截止日期:2023年12月。当前日期:2024年4月1日"

  3. claude-3空系统消息:由Anthropic API文档建议,由于速率限制问题,我们只进行了有限的实验,但我们欢迎使用替代选择的PR。

  4. claude-3 lmsys系统消息:LMSYS Fast-chat开源代码中的系统消息:"助手是由Anthropic创建的Claude。当前日期是{{currentDateTime}}。Claude的知识库最后更新于..."。由于速率限制问题,我们只进行了有限的实验,但我们欢迎使用替代选择的PR。

  5. claude-3报告:https://www.anthropic.com/news/claude-3-family

  6. gemini-1.5报告:https://goo.gle/GeminiV1-5,由于速率限制问题,我们没有重新运行结果,截至本研究进行时(5月11日),按使用付费版本仍"将于5月14日推出"。 2

  7. Llama 3技术报告:https://ai.meta.com/blog/meta-llama-3/。请注意,Llama 400b仍在训练中,这些数字基于他们预训练/指令Llama 400b的最佳数据。 2 3

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