Skip to content

lenML/lenml-llm-leaderboard

Repository files navigation

cn | en

LenML LLM Leaderboard

GitHub stars GitHub license

一个专注于评测实用性开源模型的排行榜。我们只测试:

  • 可本地部署运行的模型
  • 量化后的模型
  • 20GB显存以内可运行的模型

🔗 在线榜单:https://lenml.github.io/lenml-llm-leaderboard/

Change Log

- 241215: 支持自定义扩展分数,可以使用公式、权重分配。增加 score@1 和 score@2分数。

为什么需要这个榜单?

现有的开源模型评测存在以下问题:

  • 大多数榜单仅关注英语能力或标准化测试分数
  • 主要评测大型模型(100B 参数),实用性不高
  • 测评方式过于学术化,难以反映实际使用体验
  • 较少覆盖社区模型,特别是各类 ERP 模型

评测指标

我们设计了一系列更贴近实际使用场景的评测指标:

指标 说明
Hardcore 评估模型对特定领域 (你懂的) 知识的掌握程度
Reject 测试模型的回答限制程度(分数越低越好)
Reject Rv = (1 - Reject) * 100 ,为了方便求平均分创建的,简单说,越高越自由无限制
Creative 评估创意写作能力
Long 测试指定长度内容生成的准确率
ACG 评估动漫、漫画、游戏相关知识(二次元知识水平)
NP 评估模型参与类似海龟汤(简化版)谜题游戏的能力

*所有测评均为 zero-shot ,因为测评方式特殊,增加 context 无法保证不泄露元知识给模型。 *底色为黑色的数据是空,也就是未测试,部分模型测试时还没有完整的测评,比如acg或者np,后续可能会补测,目前计算分数时暂时当作0分

Ranking

现在支持自定义权重计分,方便排序。以替代之前的简易平均分。

默认数据增加了两种默认ranking分,分别是

  • score@1: 约等于 average,侧重通用性。
  • score@2: 侧重于写作的排序,并忽略 reject_rv 评分,因为这个分数和模型能力无关。

评测指标附录

  • Hardcore:
    • 此指标几乎与训练数据高度相关,一定程度上代表训练数据丰富程度
  • Reject:
    • 这是一个和模型质量几乎无关的指标,但是拒绝率越高可能意味着需要你花费更多的token听模型怎么教育你🙂,当然,拒绝率低也并不代表更低的"说教"内容。
    • 总之拒绝率越低,模型越灵活易用。
  • Reject Rv:
    • 为了方便计算的重新映射的数据,就是 Reject 的反转缩放值。
  • Creative:
    • 创造性,关于创意写作的创造性指标,指标是稳定的,但是会带有很强的 llm 评测主观性,相差5分,实际使用可能感觉不出来,但是相差10分的模型,写作能力差距非常非常大。
    • 这个评分可以理解为"写作感",比如 如果你知道A小说比B小说好看,但是你**不一定**可以参考B小说写得出来A小说,中间的这个 "不一定" 就是我们的测评方向,100分就是知道怎么写就会写,而分数越低就代表能分辨但是不会写。
    • 因此,此指标可能只对"机智的"模型有用,因为太笨的模型属于 "即不会写也看不懂"
  • Long:
    • 这个指标是创意写作测评的副产品。如果要求模型写 100 字文本,但是输出 99 字,那么准确率大概 90。简而言之,分数越高,代表模型对于 tokenword 的映射关系越清晰。
  • ACG:
    • 一些 ACG 相关的题目,标准的单选测评题,分数越高代表越 "二次元"。
    • 也能代表一定程度的世界知识
  • NP:
    • 一个类似海龟汤的逻辑推理测评。使用极简的海龟汤,评测分数并非通过率,而是推理流程的波动性 退火因子 轮次因子的多方面的综合得分。
    • 代表上下文理解能力和应对噪声的主动退火冷却的能力。
    • 分数越高越像人。比如据我测试,只有 40 分以上的模型,会在对话中说出 "我的天哪,这根本不可能" 这样的话。而 40 分以下的模型则明显在 假装推理

Human Baseline

关于 Human baseline,此为参考值,展示本测评人类基准

其中 rejectlong 由于测评形式特殊,均为估算值,其余 hardcore / creative / acg / np 为实际真人测评平均分

开发路线

  • 增加海龟汤推理测试
  • 支持自定义评测公式
  • 支持加载外部评测数据

参与贡献

欢迎提交 Issue 和 Pull Request 来帮助改进这个项目!

License

GPL-3.0 License