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

LongMemEval

概述

LongMemEval 用于评估聊天助手的长期交互记忆能力。每个问题均基于带有时间戳的多轮会话用户-助手历史记录进行回答。

任务描述

• 任务类型：长上下文 / 检索日志问答
• 输入：多个带日期的聊天会话 + 当前问题日期 + 问题
• 输出：基于历史记录的自由形式答案
• 子集：s（约115K token的历史记录）、m（约500个会话，规模较大）和 oracle（仅包含证据会话）

主要特性

• 涵盖单会话、多会话、时序推理、知识更新、偏好及弃权类问题
• 支持完整历史记录的长上下文提示和官方检索日志提示
• 使用 LongMemEval 的 LLM 评判提示来评估语义答案正确性
• 仅从 ModelScope 下载所选的 JSON 文件

评估说明

• 默认子集为 s，并使用 eval_mode=long_context 进行标准长上下文评估
• 使用 subset_list=['oracle'] 和 extra_params.eval_mode='oracle_context' 进行仅含证据的上限评估
• m 子集规模较大，必须显式请求
• retrieval_log 模式使用官方 LongMemEval 检索日志；其本身不执行嵌入检索

属性

属性	值
基准测试名称	longmemeval
数据集ID	evalscope/longmemeval-cleaned
论文	N/A
标签	LongContext, MultiTurn, QA, Retrieval
指标	acc
默认示例数	0-shot
评估划分	test

数据统计

指标	值
总样本数	500
提示词长度（平均）	515877.18 字符
提示词长度（最小/最大）	480743 / 540467 字符

样例示例

子集: s

{
  "input": [
    {
      "id": "99d5aff3",
      "content": "I will give you several history chats between you and a user. Please answer the question based on the relevant chat history. Answer the question step by step: first extract all the relevant information, and then reason over the information to ... [TRUNCATED 513848 chars] ... you'll be able to optimize your pantry storage space, reduce clutter, and make meal prep and cooking more efficient. Happy organizing!\"}]\n\n\nCurrent Date: 2023/05/30 (Tue) 23:40\nQuestion: What degree did I graduate with?\nAnswer (step by step):"
    }
  ],
  "target": "Business Administration",
  "id": 0,
  "group_id": 0,
  "metadata": {
    "question_id": "e47becba",
    "question_type": "single-session-user",
    "question": "What degree did I graduate with?",
    "answer": "Business Administration",
    "question_date": "2023/05/30 (Tue) 23:40",
    "answer_session_ids": [
      "answer_280352e9"
    ],
    "is_abstention": false,
    "eval_mode": "long_context",
    "retrieved_ids": [
      "sharegpt_yywfIrx_0",
      "85a1be56_1",
      "sharegpt_Jcy1CVN_0",
      "sharegpt_Cr2tc1f_0",
      "sharegpt_DGTCD7D_0",
      "f6859b48_2",
      "52c34859_1",
      "ultrachat_231069",
      "sharegpt_qRdLQvN_7",
      "ultrachat_359984",
      "... [TRUNCATED 43 more items] ..."
    ]
  }
}

提示模板

未定义提示模板。

额外参数

参数	类型	默认值	描述
eval_mode	str	long_context	评估模式：oracle_context、long_context 或 retrieval_log。可选项：['oracle_context', 'long_context', 'retrieval_log']
retrieval_log_path	`str	null`	None
retriever_type	str	flat-session	retrieval_log 模式下的检索提示格式。可选项：['flat-session', 'flat-turn']
history_format	str	json	历史记录渲染格式。可选项：['json', 'nl']
user_only	bool	False	是否仅保留历史记录中的用户发言。
reading_method	str	con	提示阅读方法。con 要求模型先提取信息并推理后再作答。可选项：['direct', 'con']
topk_context	int	1000	提示中包含的最大历史会话数或检索片段数。

使用方法

使用 CLI

evalscope eval \
    --model YOUR_MODEL \
    --api-url OPENAI_API_COMPAT_URL \
    --api-key EMPTY_TOKEN \
    --datasets longmemeval \
    --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=['longmemeval'],
    dataset_args={
        'longmemeval': {
            # extra_params: {}  # 使用默认额外参数
        }
    },
    limit=10,  # 正式评估时请删除此行
)

run_task(task_cfg=task_cfg)