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
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