107 lines
2.6 KiB
Markdown
107 lines
2.6 KiB
Markdown
# 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](https://modelscope.cn/datasets/AI-ModelScope/arena-hard-auto-v0.1/summary) |
|
||
| **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`
|
||
|
||
```json
|
||
{
|
||
"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：**
|
||
```text
|
||
{question}
|
||
```
|
||
|
||
## 使用方法
|
||
|
||
### 使用 CLI
|
||
|
||
```bash
|
||
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
|
||
|
||
```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)
|
||
``` |