【每天学点AI】人工智能大模型评估标准有哪些？

OpenAI新模型o1号称编程能力8倍杀GPT-4o，MMLU媲美人类专家，MMLU是什么？评估大模型的标准是什么？

相信大家在阅读大模型相关文档的时候经常会看到MMLU，BBH，GSM8K，MATH，HumanEval，MBPP，C-Eval，CMMLU等等这些都是什么？大模型训练完成后，如何客观地评估其效果呢？

当然我们不能依靠主观判断，于是研究者们制定了一系列标准，用于测评大模型在不同数据集上的表现。而这些数据集（ MMLU、C-Eval、GSM8K、MATH、HumanEval、MBPP、BBH 和 CMMLU），正是用于评估大模型性能的重要依据。

当然，它们也也可用于模型训练。

MMLU这个基准包含STEM（科学、威廉希尔官方网站 、工程、数学）、人文学科、社会学科等57个学科领域，难度从初级到高级不等。

C-Eval 是一个全面的中文基础模型评估套件，它包含了13948个多项选择题，涵盖了52个不同的学科和四个难度级别。

GSM8K（Grade School Math）是一个由OpenAI发布的数据集，有8.5K个高质量语言多样的小学数学问题组成。这些问题需要 2 到 8 个步骤来解决，解决方法主要是使用基本的算术运算（+ - / *）进行一连串的基本计算，以得出最终答案。

虽然看起来很简单，但很多大模型的表现都不太好。

MATH是一个包含 12500 个数学竞赛问题的数据集，其中的每个问题都有一个完整的推导过程。

HumanEval是由 164 个简单编程问题组成，主要用来评估语言理解、算法和简单的数学。

MBPP（Mostly Basic Python Programming）由大约 1000 个Python 编程问题组成，每个问题由任务描述、代码解决方案和 3 个自动化测试用例组成。

BBH的全称是BIG-Bench Hard，它是BIG-Bench数据集的一个子集，它专注于23个具有挑战性的任务，这些任务超出了当前语言模型的能力范围，BBH中的任务需要进行多步骤推理。

CMMLU，一个全面的中文大模型评估数据集。它涵盖了67个主题，涉及自然科学、社会科学、工程、人文、以及常识等，就是中文版的MMLU。

通过这些评测数据集和评估标准，我们可以从不同角度系统地评估大模型的性能、泛化能力和鲁棒性，为大模型的进一步研究和应用提供科学依据。

AI体系化学习路线

学习资料免费领

• AI全体系学习路线超详版

• AI体验卡(AI实验平台体验权限)

• 100余讲AI视频课程

• 项目源码《从零开始训练与部署YOLOV8》

• 170余篇AI经典论文

全体系课程详情介绍