wehub-resource-sync
60 lines
4.0 KiB
Markdown
60 lines
4.0 KiB
Markdown
# 效果对比：Alpaca-Plus-7B、Plus-13B、33B
|
||
|
||
为了快速评测相关模型的实际表现，本项目在给定相同的prompt的情况下，在一些常见任务上对比测试了本项目的中文Alpaca-Plus-7B、中文Alpaca-Plus-13B、中文Alpaca-33B的效果。生成回复具有随机性，受解码超参、随机种子等因素影响。以下相关评测并非绝对严谨，测试结果仅供晾晒参考，欢迎自行体验。
|
||
|
||
⚠️ *Alpaca-Plus-7B和Alpaca-Plus-13B结果沿用之前的生成结果。33B除多轮对话之外的任务由huggingface原生接口进行解码（F16），多轮对话由llama.cpp解码（q4_0量化版）。*
|
||
|
||
| 测试任务 | 详细样例 | 样例数 | Alpaca-Plus-7B | Alpaca-Plus-13B | Alpaca-33B |
|
||
| ---------------- | :------------------------------------: | :----: | :------------: | :-------------: | :--------: |
|
||
| **💯总平均分** | - | 200 | 75.3 | 79.4 | 👍🏻**82.0** |
|
||
| 知识问答 | [QA.md](./QA.md) | 20 | 70.5 | 79.5 | 👍🏻**82.3** |
|
||
| 开放式问答 | [OQA.md](./OQA.md) | 20 | 👍🏻**80.5** | 👍🏻**80** | 78.5 |
|
||
| 数值计算、推理 | [REASONING.md](./REASONING.md) | 20 | 51 | 61.5 | 👍🏻**84.5** |
|
||
| 诗词、文学、哲学 | [LITERATURE.md](./LITERATURE.md) | 20 | 78.5 | **👍🏻81.3** | 76 |
|
||
| 音乐、体育、娱乐 | [ENTERTAINMENT.md](./ENTERTAINMENT.md) | 20 | 72.3 | 👍🏻**76.8** | 72.5 |
|
||
| 写信、写文章 | [GENERATION.md](./GENERATION.md) | 20 | 81 | 👍🏻**86.5** | 79 |
|
||
| 文本翻译 | [TRANSLATION.md](./TRANSLATION.md) | 20 | 86.8 | 89.3 | 👍🏻**92.3** |
|
||
| 多轮交互 | [DIALOGUE.md](./DIALOGUE.md) | 20 | 80.3 | 👍🏻**81.3** | 78 |
|
||
| 代码编程 | [CODE.md](./CODE.md) | 20 | 62.5 | 67.5 | 👍🏻**84.0** |
|
||
| 伦理、拒答 | [ETHICS.md](./ETHICS.md) | 20 | 89.8 | 90.5 | 👍🏻**92.5** |
|
||
|
||
说明：
|
||
|
||
- 以上分数应视为paired score，也就是说分数是一个相对值，而不是绝对值，是多个系统相比较得到的结果
|
||
- 基于以上说明，分数之间的大小关系有一些参考价值，而分数的绝对值没有太大参考价值
|
||
- 除多轮任务之外，所有任务均基于单轮回复进行打分（不包含任何对话历史）
|
||
- 每个样例运行2-3次，人工选取最好的一组交给[机器评分](#打分方式)以降低随机性带来的偏差
|
||
|
||
#### 运行参数
|
||
|
||
测试中使用了统一的解码参数，以下是llama.cpp的示例：
|
||
```bash
|
||
./main -m zh-alpaca-models/{Plus-7B,Plus-13B}/ggml-model-q8_0.bin --color -f ./prompts/alpaca.txt -ins \
|
||
-b 16 -c 2048 -n 512 -t 6 \
|
||
--temp 0.2 --top_k 40 --top_p 0.9 \
|
||
--repeat_penalty 1.1
|
||
```
|
||
|
||
*注：可能并不适合所有任务。实际使用时，对话、写作类等自由生成类任务可适当调高temp。*
|
||
|
||
#### 打分方式
|
||
|
||
- 一共10组任务，每组任务满分100分；每组任务20个样例，每个样例满分10分
|
||
- 样例的得分之和规整到100分区间作为该模型在该任务上的得分
|
||
- 使用GPT-4和ChatGPT（GPT-3.5）对两个系统的输出进行打分（10分制），模板如下：
|
||
|
||
```
|
||
The followings are ChatGPT-like systems' outputs based on a single prompt. Please rate an overall score on a ten point scale for each system and give a short explanation to justify your scores. Please try not to give the same scores for different system unless they are indistinguishable.
|
||
|
||
Prompt:
|
||
<prompt-input>
|
||
|
||
System1:
|
||
<system1-output>
|
||
|
||
System2:
|
||
<system2-output>
|
||
```
|
||
|
||
*注：优先使用GPT-4打分。由于GPT-4的交互次数限制，一部分打分由ChatGPT（gpt-3.5-turbo）进行。*
|