甲骨易AI研究院推出中文大語(yǔ)言模型評(píng)測(cè)集合-LucyEval，讓智能有跡可循！

夕小瑤科技說 分享
Lucy，是距今320萬(wàn)年最早的人類祖先，也是被輸入某種“物質(zhì)”后大腦開發(fā)到100%的超智能人類，能感知宇宙萬(wàn)物，擁有人類所有知識(shí)。如果大模型是Lucy，那么LucyEval即是助力其更智能的奇妙”物質(zhì)“。

隨著大語(yǔ)言模型不斷調(diào)優(yōu)，大模型擁有了更優(yōu)越的理解人類話語(yǔ)、指令并且生成類似人類語(yǔ)言文本的能力。機(jī)器和人類終歸不同，如何最快速地判斷機(jī)器是否能正確理解人類的知識(shí)和語(yǔ)言，成為我們共同關(guān)注的問題。

由此，甲骨易AI研究院推出了中文大語(yǔ)言模型成熟度評(píng)測(cè)——LucyEval，能夠通過對(duì)模型各方面能力的客觀測(cè)試，找到模型的不足，幫助設(shè)計(jì)者和工程師更加精準(zhǔn)地調(diào)整、訓(xùn)練模型，助力大模型不斷邁向更智能的未來。

Lucy的每一個(gè)字母背后都代表了不同的意義，包含著甲骨易AI研究院設(shè)計(jì)LucyEval時(shí)所考量的維度和堅(jiān)持的理念。

• L - Linguistic Fundamentals: 基礎(chǔ)理解能力

• U - Utilization of Knowledge: 知識(shí)運(yùn)用能力

• C - Cognitive Reasoning: 推理能力

• Y - Yield of Specialized Outputs: 特殊生成能力

"Lucy" 包含以下含義：

Linguistic Fundamentals (基礎(chǔ)理解能力) ：描述模型對(duì)基礎(chǔ)語(yǔ)法、詞匯和句子結(jié)構(gòu)的理解程度

Utilization of Knowledge (知識(shí)運(yùn)用能力)：衡量模型在回答問題或生成文本時(shí)如何運(yùn)用其內(nèi)嵌的知識(shí)。

Cognitive Reasoning (推理能力)：評(píng)價(jià)模型是否能從給定的信息中進(jìn)行邏輯推斷或解決復(fù)雜問題。

Yield of Specialized Outputs (特殊生成能力）：測(cè)試模型在生成特定類型或風(fēng)格的文本（例如詩(shī)歌、代碼或?qū)I(yè)文章）時(shí)的效能。

目前，LucyEval已發(fā)布如下兩項(xiàng)測(cè)試集。

大規(guī)模多任務(wù)中文理解能力測(cè)試 Massive Multitask Chinese Understanding

2023年4月25日，針對(duì)中文大模型理解能力測(cè)試缺失且推出高質(zhì)量中文評(píng)測(cè)數(shù)據(jù)集迫在眉睫這一現(xiàn)狀，甲骨易AI研究院率先發(fā)布（首發(fā)）了一套大規(guī)模多任務(wù)中文大模型理解能力測(cè)試。
測(cè)試所包含的題目來自醫(yī)療、法律、心理學(xué)和教育四個(gè)科目的11900個(gè)問題，包含單項(xiàng)選擇和多項(xiàng)選擇題，目的旨在使測(cè)試過程中模型更接近人類考試的方式，覆蓋學(xué)科面廣，專業(yè)知識(shí)難度高，適合用來評(píng)估大模型的綜合理解能力。

論文鏈接：
https://arxiv.org/abs/2304.12986

中文大模型多學(xué)科生成能力自動(dòng)化評(píng)測(cè)基準(zhǔn) Chinese Generation Evaluation

目前領(lǐng)域內(nèi)的評(píng)測(cè)大多都只針對(duì)模型的中文理解能力，通過選擇題由模型直接生成答案，或者提取模型對(duì)各個(gè)答案選項(xiàng)的輸出概率。從評(píng)測(cè)大模型的生成能力的角度，這些評(píng)測(cè)基準(zhǔn)就存在很大的局限性。

在率先發(fā)布國(guó)內(nèi)首個(gè)中文大模型理解能力測(cè)試后，甲骨易AI研究院于8月9日正式發(fā)布一套自動(dòng)測(cè)評(píng)中文大模型多學(xué)科生成能力的評(píng)測(cè)基準(zhǔn)。

基準(zhǔn)包含11000道題目，涵蓋科技工程、人文與社會(huì)科學(xué)、數(shù)學(xué)計(jì)算、醫(yī)師資格考試、司法考試、注冊(cè)會(huì)計(jì)師考試等科目下的55個(gè)子科目。題型分為名詞解釋、簡(jiǎn)答題和計(jì)算題三種類型。同時(shí)，甲骨易AI研究院還設(shè)計(jì)了一套復(fù)合打分方式Gscore，使評(píng)分過程更加合理、科學(xué)。

甲骨易AI研究院使用本評(píng)測(cè)基準(zhǔn)對(duì)以下模型進(jìn)行了zero-shot測(cè)試，包括GPT-4、ChatGLM-Std、訊飛星火Spark Desk、文心一言ERNIE Bot等。

本次受測(cè)中文大語(yǔ)言模型

從所有模型在六大類科目的平均分來看，GPT-4取得最高分41.12，比最低分32.28高出8.84分。

本次受測(cè)中文大語(yǔ)言模型平均得分

受測(cè)模型在其他學(xué)科的表現(xiàn)詳見評(píng)測(cè)地址：

http://lucyeval.besteasy.com/

未來，甲骨易AI研究院將矢志不移地為提升中文大語(yǔ)言模型能力為目標(biāo)，持續(xù)研究適應(yīng)其發(fā)展的測(cè)試集，期待與同樣關(guān)注大語(yǔ)言模型發(fā)展的業(yè)界同仁攜手共建。

論文鏈接：
https://arxiv.org/abs/2308.04823

更多AI相關(guān)資訊，請(qǐng)關(guān)注微信公眾號(hào)：甲骨易

生成海報(bào)

免責(zé)聲明：本網(wǎng)站內(nèi)容主要來自原創(chuàng)、合作伙伴供稿和第三方自媒體作者投稿，凡在本網(wǎng)站出現(xiàn)的信息，均僅供參考。本網(wǎng)站將盡力確保所提供信息的準(zhǔn)確性及可靠性，但不保證有關(guān)資料的準(zhǔn)確性及可靠性，讀者在使用前請(qǐng)進(jìn)一步核實(shí)，并對(duì)任何自主決定的行為負(fù)責(zé)。本網(wǎng)站對(duì)有關(guān)資料所引致的錯(cuò)誤、不確或遺漏，概不負(fù)任何法律責(zé)任。任何單位或個(gè)人認(rèn)為本網(wǎng)站中的網(wǎng)頁(yè)或鏈接內(nèi)容可能涉嫌侵犯其知識(shí)產(chǎn)權(quán)或存在不實(shí)內(nèi)容時(shí)，應(yīng)及時(shí)向本網(wǎng)站提出書面權(quán)利通知或不實(shí)情況說明，并提供身份證明、權(quán)屬證明及詳細(xì)侵權(quán)或不實(shí)情況證明。本網(wǎng)站在收到上述法律文件后，將會(huì)依法盡快聯(lián)系相關(guān)文章源頭核實(shí)，溝通刪除相關(guān)內(nèi)容或斷開相關(guān)鏈接。