申请一个域名可以做多少网站,百度关键词相关性优化软件,福州建网站 做网页,海口建设语言模型的能力评估 评估难度来自哪里输出没办法确定给出选择题本身就没标准答案 评估方法人力用语言模型来评估语言模型语言模型的偏爱 评估语言模型的数据集评估模型的不同能力阅读长文的能力心智测验道德性测试安全性测试 通常情况下我们想到的语言模型能力评估#xff0c;… 语言模型的能力评估 评估难度来自哪里输出没办法确定给出选择题本身就没标准答案 评估方法人力用语言模型来评估语言模型语言模型的偏爱 评估语言模型的数据集评估模型的不同能力阅读长文的能力心智测验道德性测试安全性测试 通常情况下我们想到的语言模型能力评估就是让模型输出答案然后与标准答案进行比对可是现实是这很难评估模型能力下面就介绍下评估的难度
评估难度来自哪里
输出没办法确定
准备一些标准的corpus也就是所谓的Benchmark Corpus输入模型后比对模型输出但是对于输出的评分很难界定得分因为同一个输入本来就可以有两种答案同一种答案也可以有两种不同的说法所以这就很难界定输出的好坏。
给出选择题
为了解决上面的问题你可以给出选择题也确实有这样的benchmark那问题解决了么 仔细想想就知道没那么简单比如答案是A B C D那模型万一回复的是a又或者模型不按照人的思路直接给出答案了呢这样还是很难解决评分问题。 当然你可以告诉模型只要输出选项但是我们之前讲过如果加上限制很可能模型的重点放在了只输出选项上而不是模型能力本身因为之前我们讲过模型本身就是需要step by step才会讲的更好
本身就没标准答案
比如做摘要这个本身就没有标准答案跟答案不同不能认为不对或者不好。当然也有BLEU和ROUGE一些算法它是计算相同的字数的分数的但这个分数的评估结果想想就知道依然不是很理想。
那真的没办法评估了么
评估方法
人力
这个毋庸置疑目前网站上的模型排名也是人力排名的
用语言模型来评估语言模型
可以把标准答案和语言模型的输出一起给GPT问它答案是否正确或者直接问GPT 两个模型的输出哪个更好。曾经有人MT-Bench上用GPT4来衡量回复的好坏。看起来是解决了这个问题但是这个回复客观么
语言模型的偏爱
语言模型真的是有偏爱的比如gpt就特别喜欢长一点的答案。
了解到评估难度之后我们可以了解下我们评估可以使用的资料集
评估语言模型的数据集
下面是几个常用的评估数据集 到最后一个 Natural Instrucions 任务集已经包含1600多个任务了
有方法和能力之外出了常见的正确与否一些其他我们需要评估的能力。
评估模型的不同能力
阅读长文的能力
现在我们越来越希望模型能够记住更长的内容所以就希望能够测试模型阅读长文的能力测试模型在看过很长的文章之后还能不能记住它看到的内容。 分别在一篇很长的文章的开头、中间、结尾插入一句话防止不同模型在对于不同输入中不同位置的关注度带来影响然后看模型能否回答出来的出来 有人在GPT-4做了测试它自己号称可以读128k token的内容但是实际测试发现小于64K的时候无论是放在哪里都可以回答出来但是如果文档真的是到了128K的时候如果插入的话放在前面那GPT-4是回答不出来问题的。下面这个图是在GPT上实验结果纵轴是插入语句的位置从上往下依次是文章开头到结尾横轴是输入token长度
心智测验
测验模型是否具心智能力看模型是否具备人类的心智。 拿一些心智测验题目看模型是否具备心智能力当然这个过程里必须警惕它在之前已经看过类似的资料了。比如上面这个问题如果仅仅是文字生成就会输出到去箱子找球但是真正具备心智的人是会回答篮子。 当然也有这样的测试集不过目前模型的测试的结果都不是很理想与人类差距很大
道德性测试
看模型是否会为了自己的目标违背一些道德做一些操作MACHIAVELLI Benchmark就是这样的测试
安全性测试
