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

ArenaHard

概述

ArenaHard 是一个具有挑战性的基准测试，通过竞争性成对比较来评估语言模型。模型在需要推理、理解和生成能力的困难任务上与 GPT-4 基线进行对比评判。

任务描述

• 任务类型：竞争性模型评估（竞技场风格）
• 输入：具有挑战性的指令/问题
• 输出：模型响应，与 GPT-4-0314 基线进行比较
• 评分方式：基于 Elo 评分的成对对战结果

主要特性

• 包含 500 个具有挑战性的用户提示
• 采用两局对战系统（A vs B 和 B vs A）
• 使用 Elo 评分计算模型排名
• 测试推理能力、指令遵循能力和文本生成能力
• 与 Chatbot Arena 排名高度相关

评估说明

• 默认配置使用 0-shot 评估
• 使用 LLM 作为裁判（默认：gpt-4-1106-preview）
• 基线模型：gpt-4-0314 的输出
• 报告胜率和基于 Elo 的得分
• 注意：目前不支持风格控制的胜率计算

属性

属性	值
基准测试名称	arena_hard
数据集ID	AI-ModelScope/arena-hard-auto-v0.1
论文	N/A
标签	Arena, InstructionFollowing
指标	winrate
默认示例数	0-shot
评估划分	test
聚合方式	elo

数据统计

指标	值
总样本数	500
提示词长度（平均）	406.36 字符
提示词长度（最小/最大）	29 / 9140 字符

样例示例

子集: default

{
  "input": [
    {
      "id": "088243c7",
      "content": "Use ABC notation to write a melody in the style of a folk tune."
    }
  ],
  "target": "X:1\nT:Untitled Folk Tune\nM:4/4\nL:1/8\nK:G\n|:G2A2|B2A2|G2E2|D4|E2F2|G2F2|E2C2|B,4|\nA2B2|c2B2|A2F2|E4|D2E2|F2E2|D2B,2|C4:|",
  "id": 0,
  "group_id": 0,
  "metadata": {
    "capability": "ABC Sequence Puzzles & Groups"
  }
}

提示模板

提示模板：

{question}

使用方法

使用 CLI

evalscope eval \
    --model YOUR_MODEL \
    --api-url OPENAI_API_COMPAT_URL \
    --api-key EMPTY_TOKEN \
    --datasets arena_hard \
    --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=['arena_hard'],
    limit=10,  # 正式评估时请删除此行
)

run_task(task_cfg=task_cfg)