首页
/ ModelScope/EvalScope v0.13.0 发布:大模型评测能力全面升级

ModelScope/EvalScope v0.13.0 发布:大模型评测能力全面升级

2025-07-06 17:12:58作者:冯梦姬Eddie

ModelScope/EvalScope 是一个专注于大语言模型评测的开源框架,旨在为研究人员和开发者提供标准化、可扩展的模型评估工具。最新发布的 v0.13.0 版本带来了两项重要功能升级,显著提升了框架的评测能力和适用范围。

LLM-as-an-Evaluator 评测模式

本次更新的核心亮点是引入了 LLM-as-an-Evaluator 评测机制。这是一种创新的评估方法,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打分。这种方法特别适合评估那些传统指标难以量化的质量维度,如回答的流畅性、创造性和逻辑性等。

在实际应用中,开发者可以指定任意一个大模型作为"评估者",通过精心设计的prompt让该模型对被测模型的输出进行评分。这种评估方式更加接近人类专家的判断过程,能够捕捉到传统自动评测指标容易忽略的细微差别。

新增三大评测基准

v0.13.0 版本同时新增了对三个重要评测基准的支持:

  1. SimpleQA:一个基础的问答评测集,专注于评估模型在简单问题上的回答能力。这个基准特别适合快速验证模型的基本问答性能。

  2. Chinese SimpleQA:针对中文环境的简单问答评测集。考虑到中文语言处理的特殊性,这个基准为中文大模型提供了更贴合的评估场景。

  3. LiveCodeBench:一个专注于代码生成和编程问题解决能力的评测基准。随着大模型在编程辅助领域的应用日益广泛,这个基准为评估模型的编码能力提供了标准化的测试环境。

值得注意的是,SimpleQA 和 Chinese SimpleQA 这两个基准需要配合 LLM-as-an-Evaluator 机制使用,因为它们主要评估的是回答的整体质量而非简单的准确性。

技术实现与使用建议

在技术实现上,新版本通过灵活的接口设计,使得用户可以方便地配置评测参数。对于LLM-as-an-Evaluator模式,用户需要指定作为评估者的模型名称及相关参数。评测框架会自动化处理prompt构建、结果收集和分数计算的全过程。

对于希望使用这些新功能的开发者,建议从SimpleQA基准开始尝试,逐步扩展到更复杂的评测场景。在实际应用中,选择与目标应用场景匹配的评估模型非常重要——不同的评估模型可能会对同一回答给出不同的评分。

总结

ModelScope/EvalScope v0.13.0 的发布标志着该框架在评测方法论上的重要进步。LLM-as-an-Evaluator机制的引入为大模型评估开辟了新思路,而新增的评测基准则扩展了框架的应用范围。这些改进使得开发者能够更全面、更深入地评估大语言模型的各种能力,为模型优化和应用落地提供了更可靠的参考依据。

登录后查看全文
热门项目推荐
相关项目推荐

项目优选

收起
kernelkernel
deepin linux kernel
C
22
6
docsdocs
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
153
1.98 K
ops-mathops-math
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++
505
42
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++
194
279
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
992
395
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
938
554
communitycommunity
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
333
11
openGauss-serveropenGauss-server
openGauss kernel ~ openGauss is an open source relational database management system
C++
146
191
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)。
Python
75
70