Comments (8)
我觉着这个榜单是纯粹是为了抬星火
from superclue.
星火似乎对某些常问的问题提前设定好了,举个例子 问它一棵树上有10只鸟打死一只还有几只 它能答的不错,而把10换成114514就开始胡言乱语了。
我们也有对清华的 ChatGLM 模型做过测试。目前开源的模型采用的是 6B 参数版本,该模型甚至无法理解选择题这种出题形式,无法正常给出选择结果,几乎无法完成评测试题内容。。等后续出了 120B 版本再对其进行测试。。
from superclue.
我其实还有问了很多别的问题,总的来说 讯飞的模型在问题理解上经常会犯常识性的错误,而且会在回答过程中自己就偏了题(这个效果和gpt2很类似)。此外,讯飞的回答总是十分宽泛,有一种说了也是白说的感jio~
而百度在劫匪问题的回答上,前半截堪称最好,不过后半截扯到了老婆上,,有些好笑。
说实话,试用了几次星火大模型后 已经没了兴趣。ta的能力偏弱,也没有文生图之类的附加能力,隐私政策很不友好,界面还是最丑的。。给我的感觉,ta就是个在开源的llama模型基础上进行的魔改~
from superclue.
我其实还有问了很多别的问题,总的来说 讯飞的模型在问题理解上经常会犯常识性的错误,而且会在回答过程中自己就偏了题(这个效果和gpt2很类似)。此外,讯飞的回答总是十分宽泛,有一种说了也是白说的感jio~ 而百度在劫匪问题的回答上,前半截堪称最好,不过后半截扯到了老婆上,,有些好笑。 说实话,试用了几次星火大模型后 已经没了兴趣。ta的能力偏弱,也没有文生图之类的附加能力,隐私政策很不友好,界面还是最丑的。。给我的感觉,ta就是个在开源的llama模型基础上进行的魔改~
文心这个头戴黑丝是为了防止老婆穿黑丝偷情是真*,,,
from superclue.
确实如此,在一些极具灵活的问题上,星火大模型的回答还不如文心一言,比如让他改掉某一段,保留某一段,经常他就是将答案改了问题的题目,然后将答案原封不动的发一遍,幸亏我不是主管,他不是员工,否则他会被骂死,因为我不是敷衍的领导,让你改,而且给了修改意见,结果转了一圈,什么都没改。你觉得如果是现实中真的不会被炒吗?还有就是星火大模型值得吐槽的一点,给的方案很多都是排比句,但是现实当中的方案,可没有这种字数,格式完全对齐的情况,很多的人都会要求多变性,这种对齐的体验,在现实中的体验似乎是并不好,还有就是过于鱼的记忆的这种毛病,明明已经纠错了,然后当面它改了,然后你根本不需要太长时间,重新问它一遍,那个错误又会原封不动的出现。
from superclue.
同觉得。为啥不公布所有测试样本?所有模型的输入输出?
from superclue.
感谢反馈!这里提供了一些有趣的对比
from superclue.
我觉得应该增加一套错误复原测试,就是纠正错误后的,在短时间内重复一样的问题时的错误复原评分,如果这个错误经常无法纠正,那么就说明他的抗错能力差。不怕在其他方面出错,但是重复在一个错误上跌倒两次这是不允许的,特别是在短时间内重复出现一模一样的错误。
from superclue.
Related Issues (20)
- 测评时如何与标准答案进行匹配
- 请问可以把vicuna-33B模型加入评测吗?
- 求教一下 逻辑与推理 具体指哪方面? 比如 "郭德纲2岁会看报,xxxx" ,请问郭德纲3岁会看书吗? 这个属于推理还是语义理解能力??
- anthropic拼错了
- c-eval是真的离谱,希望superclue能更新的稍微快一点,比如1-2周更新一次 HOT 2
- 任务规划和工具使用的评价标准是什么样的? HOT 1
- 能否增加翻译的评估排名
- Where to locate the SuperCLUE-LYB leaderboards?
- 想问下 角色扮演 benchmark是怎么进行的
- 大模型升级方式
- How to calculate the metrics from the table in the paper to the leaderboard? HOT 1
- Where to download the benchmark dataset?
- Does it indicate using 5 shots for evaluation? HOT 1
- 咨询一下,从测评报告来看,SuperCLUE是采用自动化方式的客观评估,是否可提供针对某一模型的可实际运行的自动化评测的python样例代码(api调用或者web)?
- GPT4-Turbo is missing from the general leaderboard HOT 1
- 请问一月榜单呢 HOT 1
- What are expected to submit for the leaderboard integration? HOT 1
- 请问如何对自己做的大模型使用该指标进行测评呢?
- Claude3有评测吗?
- 工具的评测是什么含义? 是Function calling么,如果没有请添加此能力的评测。 HOT 1
Recommend Projects
-
React
A declarative, efficient, and flexible JavaScript library for building user interfaces.
-
Vue.js
🖖 Vue.js is a progressive, incrementally-adoptable JavaScript framework for building UI on the web.
-
Typescript
TypeScript is a superset of JavaScript that compiles to clean JavaScript output.
-
TensorFlow
An Open Source Machine Learning Framework for Everyone
-
Django
The Web framework for perfectionists with deadlines.
-
Laravel
A PHP framework for web artisans
-
D3
Bring data to life with SVG, Canvas and HTML. 📊📈🎉
-
Recommend Topics
-
javascript
JavaScript (JS) is a lightweight interpreted programming language with first-class functions.
-
web
Some thing interesting about web. New door for the world.
-
server
A server is a program made to process requests and deliver data to clients.
-
Machine learning
Machine learning is a way of modeling and interpreting data that allows a piece of software to respond intelligently.
-
Visualization
Some thing interesting about visualization, use data art
-
Game
Some thing interesting about game, make everyone happy.
Recommend Org
-
Facebook
We are working to build community through open source technology. NB: members must have two-factor auth.
-
Microsoft
Open source projects and samples from Microsoft.
-
Google
Google ❤️ Open Source for everyone.
-
Alibaba
Alibaba Open Source for everyone
-
D3
Data-Driven Documents codes.
-
Tencent
China tencent open source team.
from superclue.