夕小瑤科技說 分享 隨著大語言模型不斷調優(yōu)，大模型擁有了更優(yōu)越的理解人類話語、指令并且生成類似人類語言文本的能力。機器和人類終歸不同，如何最快速地判斷機器是否能正確理解人類的知識和語言，成為我們共同關注的問題。 由此，甲骨易AI研究院推出了中文大語言模型成熟度評測——LucyEval，能夠通過對模型各方面能力的客觀測試，找到模型的不足，幫助設計者和工程師更加精準地調整、訓練模型，助力大模型不斷邁向更智能的未來。
Lucy的每一個字母背后都代表了不同的意義，包含著甲骨易AI研究院設計LucyEval時所考量的維度和堅持的理念。
"Lucy" 包含以下含義： Linguistic Fundamentals (基礎理解能力) ：描述模型對基礎語法、詞匯和句子結構的理解程度。 Cognitive Reasoning (推理能力)：評價模型是否能從給定的信息中進行邏輯推斷或解決復雜問題。 Yield of Specialized Outputs (特殊生成能力）：測試模型在生成特定類型或風格的文本（例如詩歌、代碼或專業(yè)文章）時的效能。 目前，LucyEval已發(fā)布如下兩項測試集。 大規(guī)模多任務中文理解能力測試 Massive Multitask Chinese Understanding2023年4月25日，針對中文大模型理解能力測試缺失且推出高質量中文評測數(shù)據集迫在眉睫這一現(xiàn)狀，甲骨易AI研究院率先發(fā)布（首發(fā)）了一套大規(guī)模多任務中文大模型理解能力測試。 中文大模型多學科生成能力自動化評測基準 Chinese Generation Evaluation 目前領域內的評測大多都只針對模型的中文理解能力，通過選擇題由模型直接生成答案，或者提取模型對各個答案選項的輸出概率。從評測大模型的生成能力的角度，這些評測基準就存在很大的局限性。 在率先發(fā)布國內首個中文大模型理解能力測試后，甲骨易AI研究院于8月9日正式發(fā)布一套自動測評中文大模型多學科生成能力的評測基準。 基準包含11000道題目，涵蓋科技工程、人文與社會科學、數(shù)學計算、醫(yī)師資格考試、司法考試、注冊會計師考試等科目下的55個子科目。題型分為名詞解釋、簡答題和計算題三種類型。同時，甲骨易AI研究院還設計了一套復合打分方式Gscore，使評分過程更加合理、科學。 甲骨易AI研究院使用本評測基準對以下模型進行了zero-shot測試，包括GPT-4、ChatGLM-Std、訊飛星火Spark Desk、文心一言ERNIE Bot等。
本次受測中文大語言模型 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。
本次受測中文大語言模型平均得分 受測模型在其他學科的表現(xiàn)詳見評測地址：
未來，甲骨易AI研究院將矢志不移地為提升中文大語言模型能力為目標，持續(xù)研究適應其發(fā)展的測試集，期待與同樣關注大語言模型發(fā)展的業(yè)界同仁攜手共建。
|
