Новый набор данных MMLU-Pro для оценки возможностей и производительности больших языковых моделей.

 TIGER-Lab Introduces MMLU-Pro Dataset for Comprehensive Benchmarking of Large Language Models’ Capabilities and Performance

Оценка моделей искусственного интеллекта, в частности больших языковых моделей (LLM), является быстро развивающейся областью исследований.

Исследователи фокусируются на разработке более строгих бенчмарков для оценки возможностей этих моделей в широком спектре сложных задач. Это необходимо для продвижения технологии искусственного интеллекта, поскольку предоставляет понимание сильных и слабых сторон различных систем ИИ. Понимая эти аспекты, исследователи могут принимать обоснованные решения по улучшению и совершенствованию этих моделей.

Оценка LLM: проблемы и решения

Одной из основных проблем в оценке LLM является недостаточность существующих бенчмарков в полной мере отражать возможности моделей. Традиционные бенчмарки, такие как оригинальный набор данных Massive Multitask Language Understanding (MMLU), часто не обеспечивают всестороннюю оценку. Эти бенчмарки обычно включают ограниченные варианты ответов и в основном фокусируются на вопросах, не требующих обширного рассуждения. Это подчеркивает необходимость более сложных и всесторонних наборов данных для более точной оценки разнообразных возможностей этих передовых систем ИИ.

Текущие методы оценки LLM, такие как оригинальный набор данных MMLU, предоставляют некоторые идеи, но имеют существенные ограничения. Оригинальный набор данных MMLU включает только четыре варианта ответов на вопрос, что снижает сложность и уменьшает вызов для моделей. Вопросы в основном ориентированы на знания и не требуют глубоких рассуждений, необходимых для всесторонней оценки ИИ. Эти ограничения приводят к неполному пониманию производительности моделей и подчеркивают необходимость улучшенных инструментов оценки.

Новый набор данных MMLU-Pro

Исследователи из TIGER-Lab представили набор данных MMLU-Pro для преодоления этих ограничений. Этот новый набор данных разработан для более строгого и всестороннего бенчмарка для оценки LLM. MMLU-Pro значительно увеличивает количество вариантов ответов с четырех до десяти на каждый вопрос, увеличивая сложность и реализм оценки. Включение большего количества вопросов, ориентированных на рассуждения, решает недостатки оригинального набора данных MMLU. Этот процесс включает ведущие исследовательские лаборатории по ИИ и академические учреждения с целью установления нового стандарта в оценке ИИ.

Конструкция набора данных MMLU-Pro включала тщательный процесс, чтобы обеспечить его надежность и эффективность. Исследователи начали с фильтрации оригинального набора данных MMLU, чтобы сохранить только самые сложные и актуальные вопросы. Затем они увеличили количество вариантов ответов с четырех до десяти, используя GPT-4, передовую модель ИИ. Этот процесс не ограничивался простым добавлением вариантов ответов; он включал генерацию правдоподобных отвлекающих вариантов, требующих дискриминационных рассуждений для навигации. В набор данных использовались вопросы из высококачественных сайтов по STEM, наборов данных вопросов и ответов на основе теорем и экзаменов по научным дисциплинам уровня колледжа. Каждый вопрос прошел тщательный анализ более чем десятью экспертами для обеспечения точности, справедливости и сложности, делая MMLU-Pro надежным инструментом для бенчмаркинга.

Набор данных MMLU-Pro использует десять вариантов ответов на каждый вопрос, что снижает вероятность случайного угадывания и значительно увеличивает сложность оценки. Включение большего количества проблем уровня колледжа в различных дисциплинах обеспечивает надежный и всесторонний бенчмарк. Набор данных менее чувствителен к различным подсказкам, улучшая его надежность. Хотя 57% вопросов взяты из оригинального набора данных MMLU, они были тщательно отфильтрованы для повышенной сложности и актуальности. Каждый вопрос и его варианты ответов прошли тщательный анализ более чем десятью экспертами с целью минимизации ошибок. Без использования цепочки рассуждений (CoT) лучшая модель, GPT-4o, достигает только 53% показателя.

Производительность различных моделей ИИ на наборе данных MMLU-Pro была оценена, что показало значительные различия по сравнению с исходными показателями MMLU. Например, точность GPT-4 на MMLU-Pro составила 71,49%, что существенно ниже, чем его исходный показатель MMLU в 88,7%. Это снижение на 17,21% подчеркивает увеличенную сложность и надежность нового набора данных. Другие модели, такие как GPT-4-Turbo-0409, снизили свою производительность с 86,4% до 62,58%, а производительность Claude-3-Sonnet снизилась с 81,5% до 57,93%. Эти результаты подчеркивают сложность набора данных MMLU-Pro, требующую более глубоких рассуждений и навыков решения проблем.

В заключение, набор данных MMLU-Pro представляет собой переломный шаг в оценке ИИ, предлагая строгий бенчмарк, который вызывает LLM сложными вопросами, ориентированными на рассуждения. Увеличение количества вариантов ответов и включение разнообразных наборов задач делает MMLU-Pro более точным инструментом для оценки возможностей ИИ. Заметное снижение производительности моделей, таких как GPT-4, подчеркивает эффективность набора данных в выявлении областей для улучшения. Этот всесторонний инструмент оценки необходим для продвижения будущих достижений в области ИИ, позволяя исследователям совершенствовать производительность LLM.

Применение искусственного интеллекта в бизнесе

Если вы хотите использовать искусственный интеллект для развития своей компании и оставаться в числе лидеров, обратитесь к TIGER-Lab Introduces MMLU-Pro Dataset for Comprehensive Benchmarking of Large Language Models’ Capabilities and Performance. Проанализируйте, как ИИ может изменить вашу работу, определите области применения автоматизации и ключевые показатели эффективности, которые вы хотите улучшить с помощью ИИ. Подберите подходящее решение и внедряйте его постепенно, начиная с малого проекта и анализируя результаты и KPI. На основе полученных данных и опыта расширяйте автоматизацию.

Если вам нужны советы по внедрению ИИ, пишите нам на https://t.me/flycodetelegram. Попробуйте ИИ ассистент в продажах https://flycode.ru/aisales/. Этот ИИ ассистент в продажах помогает отвечать на вопросы клиентов, генерировать контент для отдела продаж и снижать нагрузку на первую линию.

Узнайте, как ИИ может изменить ваши процессы с решениями от Flycode.ru.

Мобильная разработка на заказ и готовые решения

Мобильная разработка

Готовые и индивидуальные решения

Веб решения - разработка сайтов и сервисов

Web решения

Получите бесплатную консультацию по веб-разработке прямо сейчас

Аутсорсинг, подбор специалистов и команд разработки

Аутсорсинг

Выберите своего специалиста сегодня и начните свой проект

Новости

  • Модели вознаграждения в области зрения и языка: практические бизнес-решения

    Практические бизнес-решения на основе моделей вознаграждения с поддержкой процессов Понимание моделей вознаграждения с поддержкой процессов Модели вознаграждения с поддержкой процессов (PRMs) предлагают детализированную обратную связь по ответам моделей, что помогает бизнесу выбирать наиболее…

  • Запуск BingoGuard: Новый уровень модерации контента от Salesforce AI

    Обзор BingoGuard Salesforce AI представила BingoGuard, инновационную систему модерации контента, использующую большие языковые модели (LLMs). Эта система решает проблемы традиционной модерации, обеспечивая более точную классификацию контента. Ключевые особенности BingoGuard Гранулярная классификация: BingoGuard классифицирует…

  • Улучшение принятия решений в Гомоку с использованием ИИ и обучения с подкреплением

    Улучшение стратегического принятия решений с помощью ИИ в Гомоку Введение Искусственный интеллект (ИИ) может значительно улучшить бизнес-процессы, используя технологии, подобные большим языковым моделям (LLM). Эти модели способны анализировать данные и генерировать идеи, что…

  • PaperBench: Новый стандарт оценки ИИ в исследованиях машинного обучения

    Введение Быстрые достижения в области искусственного интеллекта (ИИ) подчеркивают необходимость эффективных методов оценки. Использование PaperBench может значительно улучшить способность вашей компании использовать ИИ для автоматизации исследовательских задач. Что такое PaperBench? PaperBench — это…

  • Снижение галлюцинаций в больших моделях визуально-языковых систем: практические бизнес-решения

    Снижение галлюцинаций в больших моделях визуального и языкового понимания Понимание проблемы галлюцинаций в LVLM Большие модели визуального и языкового понимания (LVLM) являются мощными инструментами, которые объединяют визуальные и текстовые данные для выполнения задач,…

  • Запуск передовой многомодальной модели встраивания для визуального извлечения документов

    Внедрение многомодальной модели Nomic Модель Nomic Embed Multimodal предлагает компании новые возможности для улучшения обработки документов. Она позволяет эффективно извлекать информацию как из текста, так и из изображений, что значительно упрощает рабочие процессы.…

  • Многоходовое Внимание: Революция в Понимании Языковых Моделей

    Введение в механизмы внимания в языковых моделях Языковые модели (LLMs) активно используют механизмы внимания для эффективного извлечения контекстной информации. Однако традиционные методы внимания ограничены однотокеновым вниманием, что может затруднять понимание сложных языковых зависимостей.…

  • Amazon Nova Act: Революция в автоматизации веб-задач

    Введение в Amazon Nova Act Amazon представил революционную модель ИИ под названием Nova Act, предназначенную для автоматизации различных веб-задач. Этот ИИ-агент может автоматизировать процессы, такие как заполнение форм, навигация по интерфейсу и управление…

  • Руководство для начинающих по терминалу и командной строке: основные команды и советы

    Практические бизнес-решения с использованием Terminal/Command Prompt Введение Terminal и Command Prompt – это мощные инструменты для взаимодействия с компьютерами, которые могут значительно повысить производительность и эффективность в бизнесе. Преимущества использования Terminal/Command Prompt Эффективная…

  • Гибридная система вознаграждений ByteDance: улучшение RLHF с помощью RTV и GenRM

    Введение в Гибридную Систему Наград в ИИ Недавнее исследование от ByteDance представляет значительное достижение в области искусственного интеллекта через гибридную систему наград. Эта система объединяет Проверяющие Задачи Размышления (RTV) и Генеративную Модель Наград…

  • Революционная платформа AI для интеграции рассуждений и поиска

    Введение в ReSearch: Прогрессивная AI-структура Обзор ReSearch ReSearch представляет собой продвинутую структуру, которая обучает большие языковые модели (LLM) комбинировать рассуждения с поиском с помощью обучения с подкреплением, устраняя необходимость в контролируемых данных для…

  • Использование Git и Git Bash: Руководство для бизнеса

    Бизнес-преобразование с помощью Git и искусственного интеллекта Введение Использование Git и Git Bash может значительно улучшить управление проектами. Эти инструменты позволяют командам отслеживать изменения кода и эффективно сотрудничать, что значительно повышает производительность бизнеса.…

  • Создание инструмента для анализа рентгеновских снимков с открытым исходным кодом

    Создание инструмента для оценки рентгеновских снимков с открытым исходным кодом Практические бизнес-решения Создание прототипа инструмента для оценки рентгеновских снимков может значительно улучшить процессы диагностики и повысить качество обслуживания клиентов в медицинских учреждениях. Использование…

  • Увеличение разнообразия креативного письма с помощью DPO и ORPO в ИИ моделях

    Улучшение креативного письма с помощью ИИ: Практические решения для бизнеса Понимание проблемы креативного письма в ИИ Креативное письмо требует разнообразия и воображения, что представляет собой уникальную задачу для систем искусственного интеллекта (ИИ). В…

  • Оценка юридических ответов на соответствие GDPR с помощью платформы Atla

    Оценка юридических ответов для соблюдения GDPR с помощью платформы Atla Обзор Данный гид описывает практический подход к оценке качества юридических ответов, сгенерированных языковыми моделями, с использованием платформы Atla и Python SDK. Наша цель…

  • VideoMind: Прорыв в понимании видео с помощью ИИ

    Видеоминд: Применение AI для понимания видео Видеоминд представляет собой значительное достижение в области искусственного интеллекта, особенно в понимании видео. Этот инновационный подход решает уникальные задачи анализа видеоконтента. Понимание задач видеоконтента Видеоматериалы более сложны…

  • Hostinger Horizons: Создавайте веб-приложения без кода с помощью ИИ

    Практические бизнес-решения с использованием Hostinger Horizons Hostinger Horizons предлагает уникальные возможности для бизнеса благодаря своей платформе без кода, которая упрощает создание веб-приложений. Вот как это может улучшить бизнес и реальную жизнь: Преимущества использования…

  • Hunyuan-T1: Революция в Искусственном Интеллекте для Бизнеса

    Практические бизнес-решения Преобразование рабочих процессов Искусственный интеллект может значительно улучшить бизнес-операции. Вот практические шаги, которые стоит рассмотреть: 1. Определите возможности автоматизации Ищите процессы, которые можно автоматизировать для повышения эффективности. 2. Улучшите взаимодействие с…