大模型评测方法

大模型通用化能力评测

  • 公开评测集
  • 个性化测试集

基于业务

  • 指定任务
    • 分类,计算准确率、精确率(被预测为正确的中有多少实际是正确的,场景:避免误报,比如医生诊疗)、召回率(应该是正确中有多少被召回了,场景:避免漏报,比如信用卡欺诈)、F1。
    • 文本翻译或总结使用常见指标,BLEU、ROUGE。
  • 大模型自己评估
    • 标准:回答是否偏题、内容丰富度是否够丰富、逻辑是否正确、语意是否通顺、如果是书信问题格式是否正确、表达是否有冗余或者重复、是否遵循多轮的逻辑、回答的知识点是否有遗漏等等。
      给模型打分
  • 用户反馈
  • 专家评估

广告文案

  • 一致性(品牌调性、幻觉):GSB(good same bad)。
  • 社区风格
  • 多样性:BLEU越低越好。

https://developer.baidu.com/article/details/3321542
https://help.aliyun.com/zh/pai/use-cases/best-practices-for-llm-evaluation
https://developer.baidu.com/article/details/3321542
https://www.woshipm.com/share/6077830.html
https://www.53ai.com/news/zhinengyingxiao/2024090207186.html

posted @   一大碗小米粥  阅读(102)  评论(0编辑  收藏  举报
相关博文:
阅读排行:
· DeepSeek “源神”启动!「GitHub 热点速览」
· 我与微信审核的“相爱相杀”看个人小程序副业
· 微软正式发布.NET 10 Preview 1:开启下一代开发框架新篇章
· 如何使用 Uni-app 实现视频聊天(源码,支持安卓、iOS)
· C# 集成 DeepSeek 模型实现 AI 私有化(本地部署与 API 调用教程)
历史上的今天:
2020-10-18 JVM总结
点击右上角即可分享
微信分享提示