evalstone/evalscope/docs/zh/benchmarks/alpaca_eval.md

AlpacaEval2.0

概述

AlpacaEval 2.0 是一个用于评估指令遵循语言模型的框架，它使用大语言模型（LLM）作为裁判，将待测模型的输出与一个强基线模型进行比较，并提供反映人类偏好的胜率（win-rate）指标。

任务描述

• 任务类型：指令遵循评估（成对比较）
• 输入：用户指令/问题
• 输出：模型响应，与 GPT-4 Turbo 基线进行比较
• 指标：相对于基线模型的胜率

主要特性

• 支持自动标注，可扩展性强
• 与 GPT-4 Turbo 基线输出进行对比
• 与人类偏好高度相关
• 评估成本低
• 测试通用的指令遵循能力

评估说明

• 默认配置使用 0-shot 评估
• 使用 LLM 裁判（默认：gpt-4-1106-preview）
• 基线模型：gpt-4-turbo 的输出
• 报告胜率（win rate）指标
• 注意：目前不支持长度控制的胜率计算

属性

属性	值
基准测试名称	alpaca_eval
数据集ID	AI-ModelScope/alpaca_eval
论文	N/A
标签	Arena, InstructionFollowing
指标	winrate
默认示例数	0-shot
评估划分	eval

数据统计

指标	值
总样本数	805
提示词长度（平均）	164.92 字符
提示词长度（最小/最大）	12 / 1917 字符

样例示例

子集: alpaca_eval_gpt4_baseline

{
  "input": [
    {
      "id": "95236545",
      "content": "What are the names of some famous actors that started their careers on Broadway?"
    }
  ],
  "target": "Several famous actors started their careers on Broadway before making it big in film and television. Here are a few notable examples:\n\n1. Sarah Jessica Parker - Before she was Carrie Bradshaw on \"Sex and the City,\" Sarah Jessica Parker was a  ... [TRUNCATED] ... f the many performers who have transitioned from the Broadway stage to broader fame in the entertainment industry. Broadway often serves as a proving ground for talent, and many actors continue to return to the stage throughout their careers.",
  "id": 0,
  "group_id": 0,
  "metadata": {
    "generator": "gpt4_1106_preview",
    "dataset": "helpful_base"
  }
}

注：部分内容为显示目的已截断。

提示模板

提示模板：

{question}

使用方法

使用命令行（CLI）

evalscope eval \
    --model YOUR_MODEL \
    --api-url OPENAI_API_COMPAT_URL \
    --api-key EMPTY_TOKEN \
    --datasets alpaca_eval \
    --limit 10  # 正式评估时请删除此行

使用 Python

from evalscope import run_task
from evalscope.config import TaskConfig

task_cfg = TaskConfig(
    model='YOUR_MODEL',
    api_url='OPENAI_API_COMPAT_URL',
    api_key='EMPTY_TOKEN',
    datasets=['alpaca_eval'],
    limit=10,  # 正式评估时请删除此行
)

run_task(task_cfg=task_cfg)