可扩展性长文本评测集——Ada-LEval 详细解读

长文本评测

随着大模型能够处理的上下文信息越来越多，达到百万级别的词汇量，人们对于模型长文本能力的研究兴趣也随之增长。

司南 OpenCompass 数据集社区已经出现了诸如 L-Eval、LongBench 等长文本评测基准。这些工作基于一些开源 / 自建的数据集构建样本，其构建评测集上的性能已可以一定程度上反映模型的能力。

因此，在长文本评测这一工作里，我们认为一个好的长文本评测集应该具备以下性质：

• 样本长度可控：测试样本的上下文长度最好是可控的，以便于测量和比较模型在各个上下文长度下的能力变化（若测试集由不同上下文长度的测试样例混杂而成，则难以精确测量某一长度下的性能）。
• 全文理解：测试任务应当需要完整阅读 / 分析整段文本后才能成功完成。一个反例是：此前存在一些长文本总结任务，模型阅读特定部分文本（如开头 + 结尾）后即可达到不错性能。
• 指标简明清晰：测试集的指标应当做到定义清晰，其数值可以定量反映模型的性能。
• 能测试超长上下文：评测集需要能够测试模型在超长上下文上的性能。目前主流 API 模型的上下文长度已来到了 128,000 token 甚至更长，而早期的一些长文本评测集最长仅覆盖到 32,000 token。

Ada-LEval评测集

基于以上思考，司南 OpenCompass 团队构建了长文本评测集——Ada-LEval。Ada-LEval 包含 2 个任务：TSort (文本排序)、BestAnswer (选择最佳答案)，每个任务覆盖了 1,000 到 128,000 token 的可变长度。

基于 Ada-LEval，我们对一些大语言模型进行了评测。我们发现，大部分的长文本模型在这一测试集上的表现都不尽如意。同时，在 32,000+ token 的上下文长度下，所有模型 (含 GPT-4-Turbo) 都未能取得显著优于 Random Guess 的结果。

任务1：TSort（文本排序）

定义：对于一篇长文本 (例如小说)，我们从中截取部分分为 N 段，打乱次序提供给 LLM (截取部分的前后临近段落也会作为上下文提供)，并要求 LLM 输出段落的正确顺序。

指标：若输出的顺序完全正确，则记为正确；否则记为错误。RandomGuess 的正确率期望为 (1 / N!)。

控制样本长度：可以通过调整 N，或是每个排序段落的长度来控制测试样本长度。

处理细节：对于 TSort 任务，我们的原始数据来源于 BookSum 数据集。在构建测试集的过程中，我们去除了文本中的段落号、章节号等显式的位置信息。

在实验过程中，我们仅尝试了 N=4 的设定，并没有继续拓展排序段落的数量。因为我们发现，这一任务对于 LLM 来说，似乎异常困难：在全部实验中，仅 GPT-4 在短上下文设定 (2,000 or 4,000 tokens) 下取得了显著优于 Random Guess 的精度。在大部分情况下，LLM 能够跟随指令并输出一个 N 排列，但顺序并不正确。

另外，由于我们的原始数据均为公开数据，大概率被用于 LLM 预训练。因此，在测试过程中，我们仅使用生成式的测试，而非基于 PPL。

任务2：BestAnswer（选择最佳答案）

定义：给定一个问题，和大量备选答案，要求 LLM 指出问题的最佳答案。在这个任务中，我们的问题来源于 StackOverflow，并以提问者最终选择的答案作为最佳答案。

指标：若模型选到了正确答案，则记为正确；否则记为错误。RandomGuess 的正确率期望为 (1 / M)，M 为备选答案数量。

控制样本长度：可以通过调整备选答案数量来控制样本长度。

处理细节：

• 我们认定提问者最终选择的答案作为最佳答案。在这个答案之后依然可能有新的回答，此时这些回答不能作为备选答案中的负样本。
• 挑选负样本时，应当足够具有迷惑性。实践中，我们会优先挑选同一问题下的其他答案作为负样本。在利用其他问题下的答案作为负样本的时候，我们会保证两个问题具有一定的相似性 (即 Tag 有所重叠)。

在 BestAnswer 任务上，大部分模型在测试样例长度较短时 (1,000 / 2,000 tokens) 都显示了显著优于 Random Guess 的性能。在 8,000 tokens 以上，所有开源模型的精度下降至 Random Guess 水平；在 32,000 tokens 以上，GPT-4 的精度下降至 Random Guess 水平。

总结

在这项工作中，我们提供了 4 个 API 模型与 6 个开源模型在 Ada-LEval 的评测结果。同时，我们在 https://github.com/open-compass/Ada-LEval 开源了评测数据与代码，并提供了评测 InternLM2 与 GPT-4 的样例，以便于社区评测其他的大语言模型。

论文：​https://arxiv.org/pdf/2404.06480.pdf

本文转载自​​司南评测体系​​，作者： 司南OpenCompass ​​​​