地址:联系地址联系地址联系地址
电话:020-123456789
传真:020-123456789
邮箱:admin@aa.com
梦晨 发自 凹非寺
量子位 | 公众号 QbitAI
如果试题太简单,新测学霸和学渣都能考90分,试基拉不开差距……
随着Claude 3 、准发骤降Llama 3甚至之后GPT-5等更强模型发布 ,布最业界急需一款更难 、强开更有区分度的分数澳门码鞋一肖一码基准测试。
大模型竞技场背后组织LMSYS推出下一代基准测试Arena-Hard,差距引起广泛关注。拉开
Llama 3的新测两个指令微调版本实力到底如何,也有了最新参考 。试基
与之前大家分数都相近的准发骤降MT Bench相比,Arena-Hard区分度从22.6%提升到87.4%,布最孰强孰弱一目了然 。强开
Arena-Hard利用竞技场实时人类数据构建,分数与人类偏好一致率也高达89.1% 。差距
除了上面两个指标都达到SOTA之外 ,还有一个额外的好处 :
实时更新的测试数据包含人类新想出的、AI在训练阶段从未见过的提示词,减轻潜在的数据泄露 。
并且新模型发布后,无需再等待一周左右时间让人类用户参与投票 ,王中王王中王免费资料只需花费25美元快速运行测试管线,即可得到结果 。
有网友评价,使用真实用户提示词而不是高中考试来测试 ,真的很重要。
新基准测试如何运作?
简单来说 ,通过大模型竞技场20万个用户查询中,挑选500个高质量提示词作为测试集。
首先,挑选过程中确保多样性 ,2024今晚澳门特马开什么号也就是测试集应涵盖广泛的现实世界话题。
为了确保这一点,团队采用BERTopic中主题建模管道,首先使用OpenAI的嵌入模型(text-embedding-3-small)转换每个提示 ,使用 UMAP 降低维度 ,并使用基于层次结构的模型聚类算法(HDBSCAN)来识别聚类,最后使用GPT-4-turbo进行汇总 。
同时确保入选的提示词具有高质量 ,有七个关键指标来衡量:
具体性 :提示词是否要求特定的输出?领域知识:提示词是否涵盖一个或多个特定领域 ?复杂性:提示词是否有多层推理 、组成部分或变量 ?解决问题:提示词是否直接让AI展示主动解决问题的能力?创造力:提示词是否涉及解决问题的一定程度的创造力?技术准确性 :提示词是否要求响应具有技术准确性 ?实际应用:提示词是否与实际应用相关?
使用GPT-3.5-Turbo和GPT-4-Turbo对每个提示进行从 0 到 7 的注释 ,判断满足多少个条件。然后根据提示的平均得分给每个聚类评分 。
高质量的问题通常与有挑战性的话题或任务相关,比如游戏开发或数学证明 。
新基准测试准吗?
Arena-Hard目前还有一个弱点 :使用GPT-4做裁判更偏好自己的输出。官方也给出了相应提示 。
可以看出,最新两个版本的GPT-4分数高过Claude 3 Opus一大截 ,但在人类投票分数中差距并没有那么明显 。
其实关于这一点,最近已经有研究论证,前沿模型都会偏好自己的输出。
研究团队还发现 ,AI天生就可以判断出一段文字是不是自己写的,经过微调后自我识别的能力还能增强 ,并且自我识别能力与自我偏好线性相关 。
那么使用Claude 3来打分会使结果产生什么变化?LMSYS也做了相关实验。
首先,Claude系列的分数确实会提高 。
但令人惊讶的是 ,它更喜欢几种开放模型如Mixtral和零一万物Yi,甚至对GPT-3.5的评分都有明显提高。
总体而言,使用Claude 3打分的区分度和与人类结果的一致性都不如GPT-4 。
所以也有很多网友建议 ,使用多个大模型来综合打分 。
除此之外,团队还做了更多消融实验来验证新基准测试的有效性 。
比如在提示词中加入“让答案尽可能详尽”,平均输出长度更高 ,分数确实会提高。
但把提示词换成“喜欢闲聊”,平均输出长度也有提高,但分数提升就不明显。
此外在实验过程中还有很多有意思的发现。
比如GPT-4来打分非常严格 ,如果回答中有错误会狠狠扣分;而Claude 3即使识别出小错误也会宽大处理 。
对于代码问题,Claude 3倾向于提供简单结构 、不依赖外部代码库,能帮助人类学习编程的答案;而GPT-4-Turbo更倾向最实用的答案,不管其教育价值如何 。
另外即使设置温度为0,GPT-4-Turbo也可能产生略有不同的判断 。
从层次结构可视化的前64个聚类中也可以看出 ,大模型竞技场用户的提问质量和多样性确实是高。
这里面也许就有你的贡献。
Arena-Hard GitHub:
https://github.com/lm-sys/arena-hard
Arena-Hard HuggingFace
:
https://huggingface.co/spaces/lmsys/arena-hard-browser
大模型竞技场:
https://arena.lmsys.org
参考链接
:
[1]https://x.com/lmsysorg/status/1782179997622649330
[2]https://lmsys.org/blog/2024-04-19-arena-hard
特别声明:以上内容(如有图片或视频亦包括在内)为自媒体平台“网易号”用户上传并发布 ,本平台仅提供信息存储服务。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.
地址:联系地址联系地址联系地址
电话:020-123456789
传真:020-123456789
邮箱:admin@aa.com
0.1672