lm-evaluation-harness项目中MMLU任务的两种变体解析
2025-05-26 21:57:13作者:温玫谨Lighthearted
在自然语言处理评估领域,EleutherAI的lm-evaluation-harness项目提供了对大型语言模型进行全面评估的能力。其中,MMLU(Massive Multitask Language Understanding)任务作为评估模型多任务理解能力的重要基准,在项目中提供了多种评估变体。
MMLU任务的基本形式
标准的MMLU评估采用多选题形式,每个问题包含题干和四个选项。评估时,模型需要根据题干和选项选择最合适的答案。这种形式直接反映了模型在真实场景下的推理和选择能力。
两种特殊变体
项目提供了两种特殊的MMLU评估变体:mmlu_continuation和mmlu_generative。
mmlu_generative变体
mmlu_generative是为无法直接计算对数概率的模型设计的生成式评估方式。与标准MMLU不同,它不是让模型从给定选项中选择,而是要求模型直接生成答案。这种形式更接近开放式问答场景,对模型的生成能力提出了更高要求。
mmlu_continuation变体
mmlu_continuation采用完形填空(cloze)风格的多选题评估方式,但与标准形式有重要区别:
- 不会将所有选项同时放入上下文中
- 评估时会将每个选项分别与题干组合,形成多个独立的问题实例
- 模型需要分别评估每个"题干+单个选项"组合的合理性
这种设计使得评估过程更加细致,能够更准确地衡量模型对每个选项的理解程度。
自定义评估配置
用户可以根据需要自定义MMLU的评估方式。例如,要实现完形填空风格的评估,可以修改配置文件中的doc_to_choice字段,保留选项在上下文中的显示。一个典型的配置示例如下:
dataset_path: hails/mmlu_no_train
test_split: test
fewshot_split: dev
fewshot_config:
sampler: first_n
output_type: multiple_choice
doc_to_text: "{{question.strip()}}\nA. {{choices[0]}}\nB. {{choices[1]}}\nC. {{choices[2]}}\nD. {{choices[3]}}\nAnswer:"
doc_to_choice: {{choices}}
doc_to_target: answer
metric_list:
- metric: acc
aggregation: mean
higher_is_better: true
这种配置方式既保留了选项在上下文中的显示,又实现了完形填空的评估风格,为研究者提供了灵活的评估方案选择。
理解这些评估变体的特点和适用场景,对于设计合理的模型评估实验至关重要。不同的评估方式可能适用于不同的模型架构和训练目标,研究者应根据具体需求选择合适的评估方案。
登录后查看全文
热门项目推荐
相关项目推荐
Hunyuan3D-Part
腾讯混元3D-Part00Hunyuan3D-Omni
腾讯混元3D-Omni:3D版ControlNet突破多模态控制,实现高精度3D资产生成00GitCode-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~0277community
本项目是CANN开源社区的核心管理仓库,包含社区的治理章程、治理组织、通用操作指引及流程规范等基础信息011Hunyuan3D-2
Hunyuan3D 2.0:高分辨率三维生成系统,支持精准形状建模与生动纹理合成,简化资产再创作流程。Python00Spark-Chemistry-X1-13B
科大讯飞星火化学-X1-13B (iFLYTEK Spark Chemistry-X1-13B) 是一款专为化学领域优化的大语言模型。它由星火-X1 (Spark-X1) 基础模型微调而来,在化学知识问答、分子性质预测、化学名称转换和科学推理方面展现出强大的能力,同时保持了强大的通用语言理解与生成能力。Python00GOT-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。00- HHowToCook程序员在家做饭方法指南。Programmer's guide about how to cook at home (Chinese only).Dockerfile09
- PpathwayPathway is an open framework for high-throughput and low-latency real-time data processing.Python00
热门内容推荐
最新内容推荐
项目优选
收起

deepin linux kernel
C
22
6

OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
154
1.98 K

本项目是CANN提供的数学类基础计算算子库,实现网络在NPU上加速计算。
C++
509
44

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

React Native鸿蒙化仓库
C++
194
279

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
992
395

🎉 (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
941
554

本项目是CANN开源社区的核心管理仓库,包含社区的治理章程、治理组织、通用操作指引及流程规范等基础信息
345
11

openGauss kernel ~ openGauss is an open source relational database management system
C++
146
191

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)。
Python
75
70