快讯科技财经汽车社会旅游娱乐时尚健康生活科学教育

热搜：极空间携手活力中国调羊小咩便荔于古德伍德前5个月全远东酒店实第31届上海 2026央行一

首页 > 科技

新测试基准发布，最强开源Llama 3分数骤降，差距拉开了

发布时间: 2024-04-23 09:07:34 来源：量子位

观看：198

大模型竞技场人类真实数据

如果试题太简单，学霸和学渣都能考90分，拉不开差距……

随着Claude 3、Llama 3甚至之后GPT-5等更强模型发布，业界急需一款更难、更有区分度的基准测试。

大模型竞技场背后组织LMSYS推出下一代基准测试Arena-Hard，引起广泛关注。

Llama 3的两个指令微调版本实力到底如何，也有了最新参考。

与之前大家分数都相近的MT Bench相比，Arena-Hard区分度从22.6%提升到87.4%，孰强孰弱一目了然。

Arena-Hard利用竞技场实时人类数据构建，与人类偏好一致率也高达89.1%。

除了上面两个指标都达到SOTA之外，还有一个额外的好处：

实时更新的测试数据包含人类新想出的、AI在训练阶段从未见过的提示词，减轻潜在的数据泄露。

并且新模型发布后，无需再等待一周左右时间让人类用户参与投票，只需花费25美元快速运行测试管线，即可得到结果。

有网友评价，使用真实用户提示词而不是高中考试来测试，真的很重要。

新基准测试如何运作？

简单来说，通过大模型竞技场20万个用户查询中，挑选500个高质量提示词作为测试集。

首先，挑选过程中确保多样性，也就是测试集应涵盖广泛的现实世界话题。

为了确保这一点，团队采用BERTopic中主题建模管道，首先使用OpenAI的嵌入模型（text-embedding-3-small）转换每个提示，使用 UMAP 降低维度，并使用基于层次结构的模型聚类算法 (HDBSCAN) 来识别聚类，最后使用GPT-4-turbo进行汇总。

同时确保入选的提示词具有高质量，有七个关键指标来衡量：

具体性：提示词是否要求特定的输出？
领域知识：提示词是否涵盖一个或多个特定领域？
复杂性：提示词是否有多层推理、组成部分或变量？
解决问题：提示词是否直接让AI展示主动解决问题的能力？
创造力：提示词是否涉及解决问题的一定程度的创造力？
技术准确性：提示词是否要求响应具有技术准确性？
实际应用：提示词是否与实际应用相关？

使用GPT-3.5-Turbo和GPT-4-Turbo对每个提示进行从 0 到 7 的注释，判断满足多少个条件。然后根据提示的平均得分给每个聚类评分。

高质量的问题通常与有挑战性的话题或任务相关，比如游戏开发或数学证明。

新基准测试准吗？

Arena-Hard目前还有一个弱点：使用GPT-4做裁判更偏好自己的输出。官方也给出了相应提示。

可以看出，最新两个版本的GPT-4分数高过Claude 3 Opus一大截，但在人类投票分数中差距并没有那么明显。

其实关于这一点，最近已经有研究论证，前沿模型都会偏好自己的输出。

研究团队还发现，AI天生就可以判断出一段文字是不是自己写的，经过微调后自我识别的能力还能增强，并且自我识别能力与自我偏好线性相关。

那么使用Claude 3来打分会使结果产生什么变化？LMSYS也做了相关实验。

首先，Claude系列的分数确实会提高。

但令人惊讶的是，它更喜欢几种开放模型如Mixtral和零一万物Yi，甚至对GPT-3.5的评分都有明显提高。

总体而言，使用Claude 3打分的区分度和与人类结果的一致性都不如GPT-4。

所以也有很多网友建议，使用多个大模型来综合打分。

除此之外，团队还做了更多消融实验来验证新基准测试的有效性。

比如在提示词中加入“让答案尽可能详尽”，平均输出长度更高，分数确实会提高。

但把提示词换成“喜欢闲聊”，平均输出长度也有提高，但分数提升就不明显。

此外在实验过程中还有很多有意思的发现。

比如GPT-4来打分非常严格，如果回答中有错误会狠狠扣分；而Claude 3即使识别出小错误也会宽大处理。

对于代码问题，Claude 3倾向于提供简单结构、不依赖外部代码库，能帮助人类学习编程的答案；而GPT-4-Turbo更倾向最实用的答案，不管其教育价值如何。

另外即使设置温度为0，GPT-4-Turbo也可能产生略有不同的判断。

从层次结构可视化的前64个聚类中也可以看出，大模型竞技场用户的提问质量和多样性确实是高。

这里面也许就有你的贡献。

Arena-Hard GitHub：
https://github.com/lm-sys/arena-hard
Arena-Hard HuggingFace：
https://huggingface.co/spaces/lmsys/arena-hard-browser
大模型竞技场：
https://arena.lmsys.org

参考链接：
[1]https://x.com/lmsysorg/status/1782179997622649330
[2]https://lmsys.org/blog/2024-04-19-arena-hard

民俗有言：桃花开，痴子忙。昨日，一大学生患“桃花癫”登上微博热搜，引发热议。该大学生认为周围女生都喜欢自己，并向全校的女生分别告白。不仅如此，由于精神的持续亢奋，该大学生还经常出现整晚不睡觉据埃菲社报道，多发性骨髓瘤是成年人中继淋巴瘤之后第二常见的血液肿瘤。最近，西班牙的一个科研团队开发出了一种新的免疫疗法来对抗它。实验室实验表明，这种新疗法比目前优先使用的免疫疗法更有记者3月19日从天津大学获悉，该校环境学院刘庆岭教授团队与吉林大学于吉红院士团队以及天津工业大学梅东海教授团队合作，证明了无有机模板剂合成的具有OFF和ERI拓扑共生结构的Cu-T催化剂具有优近年来，电动自行车以便利性受到大众青睐，但相关起火事故威胁着居民的生命财产安全。据国家消防救援局发布的统计数据，2023年全国共接报电动自行车火灾2.1万起，比2022年增加17.4%。电动自行车起火 21世纪经济报道记者蔡姝越上海报道舆论高度关注的游族网络（002174.SZ）投毒案，幕后主使许垚如何量刑有了最新进展。3月22日，上海市第一中级人民法院（以下简称上海一中院）宣判被告人许垚故随着无人驾驶技术的快速发展，无人车在城市配送、环卫清扫、安防巡逻等应用场景中已得到较好示范应用。3月22日，南京溧水经济开发区管委会与南京易咖智车科技有限公司联合举办“金陵智地易启未。

本文链接：新测试基准发布，最强开源Llama 3分数骤降，差距拉开了http://www.sushuapos.com/show-2-5256-0.html

声明：本网站为非营利性网站，本网页内容由互联网博主自发贡献，不代表本站观点，本站不承担任何法律责任。天上不会到馅饼，请大家谨防诈骗！若有侵权等问题请及时与本网联系，我们将在第一时间删除处理。

上一篇： 14款生成式AI应用版权合规实测：谁在混沌中摸到了秩序的轮廓？｜AI版权战事④

下一篇：印象笔记唐毅：AI如何升级你的“第二大脑”｜中国AIGC产业峰会

新测试基准发布，最强开源Llama 3分数骤降，差距拉开了

新基准测试如何运作？

新基准测试准吗？

热门资讯

推荐资讯

科技最热文章