大语言模型排行榜评估方法介绍

新知榜官方账号

2023-07-20 02:50:44

比较式排行榜

比较式排行榜是基于多个模型之间的对比得到的。比较式排行榜反映了「综合实力」的强弱，像是许多棋牌类比赛的棋手排名（赢了排名上升，输了排名下降）。比较有代表性的榜单是斯坦福的AlpacaEval、LMSYS的ChatbotArenaLeaderboard。

AlpacaEval

AlpacaEval是通过询问语言模型（例如GPT-4）一些问题，让其对其他大模型进行排名。相比基于数据集的评估方法，AlpacaEval这种方法不再需要准备大量的测试数据，节省了人工成本。但也存在评估维度单一、评估标准不够透明等不足。

LMSYS的ChatbotArenaLeaderboard

LMSYS的全称是LargeModelSystemsOrganization，一个开发开源大语言模型（LLM）和系统的非营利组织。它们最出名的项目是Vicuna，一个可以达到ChatGPT90%水平的LLM。ChatbotArena也是他们的项目，利用游戏化和众包的方式，让用户选择随机出现的两个LLM输出哪一个更好。

评分式排行榜

评分式排行榜的基础是对每一个大模型使用同样的规则进行评分，类似于做同一份试卷。评分能否衡量出大模型真正的实力，主要就是看如何设计“试卷”，既要区分出“小学生”和“高中生”在知识和能力上的差距，也要区分出“听话的”和“调皮的”学生在回答用户提问时的差距。比较有代表性的评分式排行榜是HuggingFace的OpenLLMLeaderboard。

OpenLLMLeaderboard

OpenLLMLeaderboard使用4个指标为大模型评分，不同的指标侧重在不同维度（例如知识、推理等）的考核。指标1，AI2ReasoningChallenge；指标2，HellaSwag；指标3，MMLU；指标4，TruthfulQA。此外，还有一个指标在训练ChatGPT的过程中起到了关键的作用，也顺便介绍一下：RealToxicityPrompts数据集可以用来评估大模型生成的内容的负面、伤害性或冒犯性的程度。

总结

本文介绍了大语言模型排行榜的两种评估方法：比较式排行榜和评分式排行榜，以及HuggingFace的OpenLLMLeaderboard使用的参考指标，包括AI2ReasoningChallenge、HellaSwag、MMLU和TruthfulQA等四种数据集，以及RealToxicityPrompts数据集。同时，介绍了智源研究院发布的「天秤」评测平台。

本页网址：https://www.xinzhibang.net/article_detail-8378.html

寻求报道，请

关键词

分享至微信：

相关工具

阿里旗下智能文案工具，一键生成电商营销文案

HyperWrite

AI写作助手帮助你创作内容更自信

易撰

新媒体AI内容创作助手

奇妙文

出门问问推出的AI写作助理

5118 SEO优化精灵

一键式生成高质量SEO文章，提高搜索引擎排名获得更多流量

秘塔写作猫

AI写作，文章生成

三个国外专业免费的调色网站

三个国外专业免费的调色网站无论制作视频、编辑图片，合适的色彩会让你的作品增加视觉冲击力，所以专业的调色技术价值非凡，一部电影或一部好的视频、图片海报，专业调色耗费少则上万，多则上百万，只是大家对专业调色这个行业知之甚少，今天网玩君就为大家分享三个国外专业免费的调色网站，记得收藏好，以后编辑视频、图片

分类标签调色网站免费

04-18 16:42

电影制作中的纹理技术

纹理在电影制作中的重要性纹理是指将详细的表面特征应用于3D模型或视觉效果元素，使其看起来更逼真。纹理对于创建视觉上引人入胜且可信的电影场景至关重要，尤其是涉及CGI、动画或特效的场景。纹理还支持叙事和讲故事，可以通过纹理设置年龄大小等属性，为故事奠定基础。纹理技术的发展历程自胶片问世以来，电影制作人

分类标签纹理电影制作CGI视觉效果微缩模型UV映射

04-18 16:42

UnrealSynth虚幻合成数据生成器-NSDT

UnrealSynth虚幻合成数据生成器-NSDTUnrealSynth基于UE5虚幻引擎开发，可用于生成合成数据集，包括图像和标注数据。可用于各种行业细分场景中目标识别任务的实施效率提高。UnrealSynth合成数据工具包内容UnrealSynth基于UE5虚幻引擎开发，目前支持YOLO系列模型

分类标签 UnrealSynth虚幻引擎数据合成YOLO模型深度学习训练数据

04-18 16:42

人工智能与音乐：谷歌的Project Magenta

谷歌的Project Magenta利用人工智能技术生成音乐和其他艺术形式，如素描、视频和笑话。该项目的目标是为人们创造新的交流方式。本文介绍了该项目的背景、发展历程和应用。在上世纪90年代中期，谷歌研究院的Douglas Eck就开始了他的人生目标：融合人工智能与音乐。二十年后，他与一支谷歌研究团

分类标签人工智能音乐谷歌

04-18 16:42

如何做好SEO优化？

如何做好SEO优化？想要做好SEO优化，得从站内优化和站外优化两个方面入手。一、站内优化1.关键词定位和分析关键词整理是SEO优化中的核心工作，一旦定下来就不建议再次去更改。站长始终要记住关键词一定要和行业、产品、领域息息相关，同时还可以参考竞争对手所做的关键词，可以利用站长工具、5118、爱站网、

分类标签 SEO优化关键词定位网站架构布局

12-11 08:19

万兴科技：营收实现稳健增长，拥抱AIGC新机遇

万兴科技：营收实现稳健增长，拥抱AIGC新机遇国元证券股份有限公司耿军军近期对万兴科技进行研究并发布了研究报告《2022年年度报告点评：营收实现稳健增长，拥抱AIGC新机遇》，本报告对万兴科技给出买入评级，当前股价为75.24元。万兴科技(300624)事件：公司于2023年4月7日收盘后发布《20

分类标签万兴科技营收增长AIGC

12-11 02:11

AI分身市场潜力巨大，万兴科技、京东等已率先布局

“AI孙燕姿”和“CarynAI”引爆市场最近，“AI孙燕姿”和“CarynAI”以以假乱真的程度引爆市场，都是通过采集本人的语音、文字、图像等素材，并通过开源的生成式训练模型进行训练而成。其中，“CarynAI”成功地借助AI技术，打造了自己的AI分身，通过付费的方式，跟AI版的自己进行交往，预计

分类标签 AI孙燕姿CarynAIAI分身AIGC技术虚拟主播数字人

12-11 02:10

万兴科技推出名师必备讲演神器“万兴智演”

万兴科技推出名师必备讲演神器“万兴智演”9月8日，万兴科技面向泛知识领域，推出名师必备讲演神器“万兴智演”。该款AI演示新品集成强大的AIGC能力、精美的行业课程模板以及动画特效素材，大大简化课件制作过程。同时，产品内置强大的录制、直播功能，通过真人实拍与演示内容相结合的形式，实现人景融合的实时演示

分类标签万兴科技万兴智演AI演示

12-11 02:09

万兴科技创始人吴太兵在2023互联网岳麓峰会上的主题演讲

万兴科技创始人吴太兵在2023互联网岳麓峰会上的主题演讲2023互联网岳麓峰会论坛上，万兴科技创始人、董事长兼总裁吴太兵进行主题演讲。红网时刻新闻记者郭雅倩甘红长沙报道十届、十年，岳麓峰会从2014年的“湖湘汇”到如今云集万人的盛会，积攒了巨大的关注度和影响力。6月19日，2023互联网岳麓峰会在长

分类标签万兴科技吴太兵岳麓峰会

12-11 02:05

樟宜机场：通过科技改变旅客体验

樟宜机场：通过科技改变旅客体验樟宜机场在智能手机上移动的小红点代表了在机场上空飞行的飞机，通过传感器的追踪获取了相关飞行轨迹。机场通过人工智能、面部识别和数据分析等技术的应用，不断提高机场运营效率，保持创新，致力于成为一个旅客体验更佳、充满活力的目的地。人工智能优化机场运营效率樟宜机场在2017年共

分类标签樟宜机场科技旅客体验

12-10 22:16

相关快讯

秘塔写作猫怎么看文献？

秘塔写作猫看文献步骤分为以下几个步骤： 1、初筛论文标题、关键字、摘要； 2、扫一遍图表以及标题、图注，回到引言； 3、了解文章的细节信息，包括实验具体步骤等，对于自身科研项目的开展设计有重要参考价值，文章的结果和讨论部分； 4、用一句话概括实验、结果、讨论章节中的每一段内容，组成一个阅读笔记； 5、给出建议。

2023-06-25 11:00:10

秘塔写作猫高级版和免费版的区别？

1、价格不同：秘塔写作猫免费版是完全免费的，而付费版需要额外购买激活码才能使用。 2、功能不同：免费版只能用于创建文档和提交文档，而付费版则可以进行更多高级操作，如添加图片、录音、视频等。 3、兼容性不同：免费版只能在Windows、MacOS和Android平台上使用，而付费版则可以在更多平台上使用，如iOS、Windows、MacOS和Android。 4、使用限制不同：免费版没有任何使用限制，而付费版需要在规定时间内购买并激活，否则将被冻结。

2023-06-25 10:58:31

用秘塔写作猫查重率很高吗？

用秘塔写作猫查重率确实比较高。这是因为秘塔是一种自动化的检测系统，它能够快速而准确地比较一篇文章和已有的其他文章是否存在相似之处。在这个过程中，秘塔会通过比对文章的语法、词汇、结构以及其他一系列因素来确定相似度，并给出相应的结果。尤其是对于涉及学术论文、期刊文章等领域，秘塔的检测机制更会更加严格和准确。因为在这些领域，对抄袭和学术不端的要求通常更高，所以秘塔对于这些文章的查重要求也更高。然而，需要注意的是，秘塔并不一定就是完全准确的，特别是在涉及到专业术语、特殊领域和复合句等方面，秘塔的识别可能存在误

2023-06-25 10:56:57

ChatGPT Midjourney 文心一言文心一格 bing新必应 Stable diffusion 稿定设计墨刀AI mastergo Adobe Firefly runway