EvalScope v0.13.0 发布:大模型评测能力全面升级
EvalScope 是一个专注于大语言模型评测的开源框架,它提供了标准化的评测流程和丰富的评测基准,帮助开发者和研究人员客观评估各类大语言模型的性能表现。最新发布的 v0.13.0 版本带来了两项重要功能升级,进一步提升了评测的灵活性和覆盖范围。
大模型作为评判者的评测模式
本次更新的核心亮点是引入了大模型作为评判者的评测模式。这是一种创新的评测方法,利用大语言模型本身作为"评估者"来对其他模型的输出进行评分。这种评测方式特别适合那些难以用传统指标衡量的任务,如开放性问题回答、创意写作等。
在实现上,EvalScope 设计了灵活的接口,允许用户指定任意大语言模型作为评判模型。评判模型会根据预设的标准对被测模型的输出进行打分,这些标准可以包括相关性、创造性、事实准确性等多个维度。这种评测方式更接近人类评估的思维方式,能够捕捉到传统自动评测指标难以衡量的质量维度。
新增三大评测基准
v0.13.0 版本新增了对三个重要评测基准的支持:
-
SimpleQA:一个专注于简单问题回答能力的评测基准,测试模型在基础事实性问题上的表现。由于这类评测需要理解回答的正确性,必须配合大模型作为评判者的模式使用。
-
Chinese SimpleQA:SimpleQA 的中文版本,专门针对中文语言环境设计,评估模型在中文问题回答中的表现。同样需要指定评判模型进行评测。
-
LiveCodeBench:一个关注代码生成和编程能力的评测基准。这个基准不需要依赖评判模型,使用传统的自动评测指标来评估代码的正确性和功能性。
这三个基准的加入,使 EvalScope 能够覆盖从基础问答到专业编程的更广泛评测场景,特别是增强了在中文环境下的评测能力。
技术实现与使用建议
在技术实现上,大模型作为评判者的模式通过精心设计的提示词工程来确保评判的客观性和一致性。评判模型会收到详细的评分标准和示例,以最大程度减少主观偏差。对于 SimpleQA 和 Chinese SimpleQA,建议使用具有较强理解能力的大模型作为评判模型,如 GPT-4 或 Claude 等。
在实际使用中,开发者可以根据评测目标灵活选择评测模式。对于事实性问题,可以结合传统指标和大模型评判来获得更全面的评估;对于创意性任务,则主要依赖大模型评判的质量维度分析。
EvalScope v0.13.0 的这些升级,标志着大模型评测方法的重要进步,为开发者提供了更丰富、更接近人类判断的评估工具,将有助于推动大语言模型技术的进一步发展。
- DDeepSeek-V3.1-BaseDeepSeek-V3.1 是一款支持思考模式与非思考模式的混合模型Python00
- QQwen-Image-Edit基于200亿参数Qwen-Image构建,Qwen-Image-Edit实现精准文本渲染与图像编辑,融合语义与外观控制能力Jinja00
GitCode-文心大模型-智源研究院AI应用开发大赛
GitCode&文心大模型&智源研究院强强联合,发起的AI应用开发大赛;总奖池8W,单人最高可得价值3W奖励。快来参加吧~044CommonUtilLibrary
快速开发工具类收集,史上最全的开发工具类,欢迎Follow、Fork、StarJava04GitCode百大开源项目
GitCode百大计划旨在表彰GitCode平台上积极推动项目社区化,拥有广泛影响力的G-Star项目,入选项目不仅代表了GitCode开源生态的蓬勃发展,也反映了当下开源行业的发展趋势。06GOT-OCR-2.0-hf
阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00openHiTLS
旨在打造算法先进、性能卓越、高效敏捷、安全可靠的密码套件,通过轻量级、可剪裁的软件技术架构满足各行业不同场景的多样化要求,让密码技术应用更简单,同时探索后量子等先进算法创新实践,构建密码前沿技术底座!C0300- WWan2.2-S2V-14B【Wan2.2 全新发布|更强画质,更快生成】新一代视频生成模型 Wan2.2,创新采用MoE架构,实现电影级美学与复杂运动控制,支持720P高清文本/图像生成视频,消费级显卡即可流畅运行,性能达业界领先水平Python00
- GGLM-4.5-AirGLM-4.5 系列模型是专为智能体设计的基础模型。GLM-4.5拥有 3550 亿总参数量,其中 320 亿活跃参数;GLM-4.5-Air采用更紧凑的设计,拥有 1060 亿总参数量,其中 120 亿活跃参数。GLM-4.5模型统一了推理、编码和智能体能力,以满足智能体应用的复杂需求Jinja00
Yi-Coder
Yi Coder 编程模型,小而强大的编程助手HTML013
热门内容推荐
最新内容推荐
项目优选









