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-2024-04-09
和gpt-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:
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。
本仓库目前包含以下评估:
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。
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
pip install anthropic
python -m simple-evals.demo
这将通过OpenAI API启动评估。
模型 | 提示词 | MMLU | GPQA | MATH | HumanEval | MGSM | DROP<br>(F1,3-shot) |
---|---|---|---|---|---|---|---|
OPENAI GPT4s | |||||||
gpt-4o-2024-08-06 | 助手1 | 88.7 | 53.1 | 75.9 | 90.2 | 90.0 | 79.8 |
gpt-4o-2024-05-13 | chatgpt2 | 88.7 | 53.6 | 76.6 | 90.2 | 90.5 | 83.4 |
gpt-4o-2024-05-13 | 助手1 | 87.2 | 49.9 | 76.6 | 91.0 | 89.9 | 83.7 |
gpt-4-turbo-2024-04-09 | chatgpt | 86.5 | 49.1 | 72.2 | 87.6 | 88.6 | 85.4 |
gpt-4-turbo-2024-04-09 | 助手 | 86.7 | 49.3 | 73.4 | 88.2 | 89.6 | 86.0 |
gpt-4-1106(-vision)-preview | chatgpt | 84.6 | 42.1 | 64.1 | 82.2 | 86.5 | 81.3 |
gpt-4-1106(-vision)-preview | 助手 | 84.7 | 42.5 | 64.3 | 83.7 | 87.1 | 83.2 |
gpt-4-0125-preview | chatgpt | 84.8 | 39.7 | 64.2 | 88.2 | 83.7 | 83.4 |
gpt-4-0125-preview | 助手 | 85.4 | 41.4 | 64.5 | 86.6 | 85.1 | 81.5 |
=== | |||||||
gpt-4o-mini-2024-07-18 | 助手 | 82.0 | 40.2 | 70.2 | 87.2 | 87.0 | 79.7 |
参考-重新运行 | |||||||
Claude-3-Opus (通过API重新运行) | 空3 | 84.1 | 49.7 | 63.2 | 84.8 | 89.7 | 79.0 |
Claude-3-Opus (通过API重新运行) | lmsys4 | 84.2 | 50.7 | 63.8 | 82.9 | 89.2 | 77.1 |
Llama3 70b (通过API重新运行) | 空 | 80.2 | 41.3 | 52.8 | 70.1 | 82.6 | 81.4 |
参考-报告 | (5-shot) | ||||||
Claude-3-Opus (报告5) | 未知 | 86.8 | 50.4 | 60.1 | 84.9 | 90.7 | 83.1 |
Gemini-Ultra-1.0 (报告6) | 未知 | 83.7 | 不适用 | 53.2 | 74.4 | 79.0 | 82.4 |
Gemini-Pro-1.5 (报告6) | 未知 | 81.9 | 不适用 | 58.5 | 71.9 | 88.7 | 78.9 |
Llama3 8b (报告7) | 未知 | 68.4 | 34.2 | 30.0 | 62.2 | 不适用 | 58.4 |
Llama3 70b (报告7) | 未知 | 82.0 | 39.5 | 50.4 | 81.7 | 不适用 | 79.7 |
Llama3 400b (仍在训练中,报告7) | 未知 | 86.1 | 48.0 | 57.8 | 84.1 | 不适用 | 83.5 |
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。
助手系统消息在OpenAI API文档中:"你是一个乐于助人的助手。" ↩ ↩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" ↩
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。 ↩
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。 ↩
claude-3报告:https://www.anthropic.com/news/claude-3-family。 ↩
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
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
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。
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。
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。
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。
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。
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 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。
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