通常情况下我们想到的语言模型能力评估，就是让模型输出答案，然后与标准答案进行比对，可是现实是，这很难评估模型能力，下面就介绍下评估的难度

评估难度来自哪里

输出没办法确定

准备一些标准的corpus，也就是所谓的Benchmark Corpus，输入模型后，比对模型输出，但是对于输出的评分很难界定得分，因为同一个输入本来就可以有两种答案，同一种答案也可以有两种不同的说法，所以这就很难界定输出的好坏。

给出选择题

为了解决上面的问题，你可以给出选择题，也确实有这样的benchmark，那问题解决了么？
仔细想想就知道没那么简单，比如答案是A B C D，那模型万一回复的是a，又或者模型不按照人的思路直接给出答案了呢，这样还是很难解决评分问题。
当然你可以告诉模型只要输出选项，但是我们之前讲过，如果加上限制，很可能模型的重点放在了只输出选项上，而不是模型能力本身，因为之前我们讲过，模型本身就是需要step by step才会讲的更好

本身就没标准答案

比如做摘要，这个本身就没有标准答案，跟答案不同不能认为不对或者不好。当然也有BLEU和ROUGE一些算法，它是计算相同的字数的分数的，但这个分数的评估结果，想想就知道依然不是很理想。

那真的没办法评估了么

评估方法

人力

这个毋庸置疑，目前网站上的模型排名也是人力排名的

用语言模型来评估语言模型

可以把标准答案和语言模型的输出一起给GPT，问它答案是否正确，或者直接问GPT 两个模型的输出哪个更好。曾经有人MT-Bench上用GPT4来衡量回复的好坏。看起来是解决了这个问题，但是这个回复客观么？

语言模型的偏爱

语言模型真的是有偏爱的，比如gpt就特别喜欢长一点的答案。

了解到评估难度之后，我们可以了解下我们评估可以使用的资料集

评估语言模型的数据集

下面是几个常用的评估数据集

到最后一个 Natural Instrucions 任务集已经包含1600多个任务了

有方法和能力之外，出了常见的正确与否，一些其他我们需要评估的能力。

评估模型的不同能力

阅读长文的能力

现在我们越来越希望模型能够记住更长的内容，所以就希望能够测试模型阅读长文的能力，测试模型在看过很长的文章之后还能不能记住它看到的内容。
分别在一篇很长的文章的开头、中间、结尾插入一句话（防止不同模型在对于不同输入中不同位置的关注度带来影响），然后看模型能否回答出来的出来

有人在GPT-4做了测试，它自己号称可以读128k token的内容，但是实际测试发现，小于64K的时候，无论是放在哪里都可以回答出来，但是如果文档真的是到了128K的时候，如果插入的话放在前面，那GPT-4是回答不出来问题的。下面这个图是在GPT上实验结果（纵轴是插入语句的位置，从上往下依次是文章开头到结尾，横轴是输入token长度）

心智测验

测验模型是否具心智能力，看模型是否具备人类的心智。

拿一些心智测验题目，看模型是否具备心智能力，当然这个过程里必须警惕它在之前已经看过类似的资料了。比如上面这个问题，如果仅仅是文字生成，就会输出到去箱子找球，但是真正具备心智的人是会回答篮子。
当然也有这样的测试集，不过目前模型的测试的结果都不是很理想，与人类差距很大

道德性测试

看模型是否会为了自己的目标，违背一些道德，做一些操作，MACHIAVELLI Benchmark就是这样的测试

安全性测试