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

openai-agents-python

openai-agents-python

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。

Hunyuan3D-2

Hunyuan3D-2

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。

3FS

3FS

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。

TRELLIS

TRELLIS

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。

ai-agents-for-beginners

ai-agents-for-beginners

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。

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。

下拉加载更多