首页
/ EvalScope v0.13.0 发布:大模型评测能力全面升级

EvalScope v0.13.0 发布:大模型评测能力全面升级

2025-07-06 18:16:16作者:史锋燃Gardner

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:

  1. 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。

  2. 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。

  3. 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。

登录后查看全文
热门项目推荐

热门内容推荐

最新内容推荐

项目优选

收起
docsdocs
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
139
1.91 K
kernelkernel
deepin linux kernel
C
22
6
nop-entropynop-entropy
Nop Platform 2.0是基于可逆计算理论实现的采用面向语言编程范式的新一代低代码开发平台,包含基于全新原理从零开始研发的GraphQL引擎、ORM引擎、工作流引擎、报表引擎、规则引擎、批处理引引擎等完整设计。nop-entropy是它的后端部分,采用java语言实现,可选择集成Spring框架或者Quarkus框架。中小企业可以免费商用
Java
8
0
ohos_react_nativeohos_react_native
React Native鸿蒙化仓库
C++
192
273
RuoYi-Vue3RuoYi-Vue3
🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
923
551
openHiTLSopenHiTLS
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!
C
421
392
openGauss-serveropenGauss-server
openGauss kernel ~ openGauss is an open source relational database management system
C++
145
189
金融AI编程实战金融AI编程实战
为非计算机科班出身 (例如财经类高校金融学院) 同学量身定制,新手友好,让学生以亲身实践开源开发的方式,学会使用计算机自动化自己的科研/创新工作。案例以量化投资为主线,涉及 Bash、Python、SQL、BI、AI 等全技术栈,培养面向未来的数智化人才 (如数据工程师、数据分析师、数据科学家、数据决策者、量化投资人)。
Jupyter Notebook
74
64
Cangjie-ExamplesCangjie-Examples
本仓将收集和展示高质量的仓颉示例代码,欢迎大家投稿,让全世界看到您的妙趣设计,也让更多人通过您的编码理解和喜爱仓颉语言。
Cangjie
344
1.3 K
easy-eseasy-es
Elasticsearch 国内Top1 elasticsearch搜索引擎框架es ORM框架,索引全自动智能托管,如丝般顺滑,与Mybatis-plus一致的API,屏蔽语言差异,开发者只需要会MySQL语法即可完成对Es的相关操作,零额外学习成本.底层采用RestHighLevelClient,兼具低码,易用,易拓展等特性,支持es独有的高亮,权重,分词,Geo,嵌套,父子类型等功能...
Java
36
8