评估指令微调的大型语言模型(如聊天机器人)时,使用的一些方法:
-
模型表现评价:
- 对于测试集中第一个和最后一个指令,模型的回答是明确正确的。
- 第二个回答虽不完全正确,但接近。模型回答了“积云(cumulus cloud)”,而参考答案是“积雨云(cumulonimbus cloud)”。虽然两者不同,但值得注意的是,积云可以发展成积雨云,后者能够产生雷暴。
-
模型评价的复杂性:
- 相比于之前章节中对分类问题(如垃圾邮件分类)的简单准确率计算,评估指令微调的大型语言模型要复杂得多。
- 在分类问题中,我们可以通过计算正确分类标签的百分比来评估模型的准确性,但对于这些模型的评估,需要采用更复杂和多样化的方法。
-
模型评估的方法:
- 使用短回答和多项选择基准(如MMLU测试),评估模型的知识水平。
- 通过人类偏好对比,比较不同模型的性能,例如LMSYS聊天机器人竞技场。
- 使用自动化对话基准,通过另一个大型语言模型(如GPT-4)来评估模型的响应质量。例如,AlpacaEval是一个利用这种方法的工具。