大模型权威测试，翻车了？！
HuggingFace都在用的MMLU-PRO，被扒出评测方法更偏向闭源模型，被网友直接在GitHub Issue提出质疑。
此前MMLU原始版本早已经被各家大模型刷爆了，谁考都是高分，对前沿模型已经没有了区分度。
号称更强大、更具挑战线性多任务语言基准MMLU-Pro，成了业界对大模型性能的重要参考。
但结果没想到的是，现在有人扒出其在采样参数、系统提示和答案提取等方面设置不公平，存在一些令人震惊的差异。
随便对系统提示词做了个小修改，直接将开源阵营的Llama-3-8b-q8的性能提高了10分？！
emmm……就问大模型跑分到底还能不能信了？
被扒偏向闭源模型
这是源于Reddit上一位ML/AI爱好者的意外发现。
还特意做了个免责声明，自己只是感兴趣，并不是ML研究员（Doge）
出于好奇想了解它是如何工作的，于是检查了原始repo中的代码以及每个模型使用的提示和响应。
不看不知道，一看吓一跳。
首先，他们不会对所有模型使用相同的参数。
其次，给每个大模型的Prompt差别也挺大啊喂？！
跟GPT-4o说：
您是知识专家，您应该回答多选题，得出最终答案为「答案是 ….」
跟GPT-4说：
以下是有关{主题}的选择题（含答案）。请逐步思考，然后在最后以 “答案是 (X) ”作为输出。
……
更离谱的是Claude3，没有系统提示词？！！！
此外，这位网友还发现，模型必须按照指令输出准确的短语和格式，这点至关重要。
否则，模型的答案就不会被认可，而是会为模型随机生成一个答案。
于是乎他进行了一个小小的测试。
通过调整系统提示，来强调格式的重要性，结果模型分数显著提高。
比如给llama-3-8b-q8说了这些话，结果它在一些类别中得分提高了10分以上。
作为一名知识渊博的专家，你的任务是回答只有一个正确答案的多项选择题。清楚地解释你对每道题的思考过程，提供全面、逐步的推理，说明你是如何得出最终答案的。如果没有一个选项完全符合，请选择最接近的一个。用准确的短语和格式结束每个回答至关重要： 答案是 (X)，其中 X 代表字母选项，即使选择最接近的选项也是如此。
此外对各个模型答案提取regex也不一样。
此事一出，大家一片哗然。他去团队GitHub页面底下反应，也得到了官方回复。
官方回应：对结果影响不超过1%
大概有这么几个意思。
首先，关于采样参数和系统提示，我们建议使用我们 git 仓库中的 evaluate_from_api.py 和 evaluate_from_local.py，因为这些设置与我们论文中报告的结果一致。
至于像那些闭源模型的结果，因为是不同合作者同时运行的，所以会有些细微差别。
不过他们表示，有进行抽样测试，发现对结果的影响很小，不超过 1%。
另外，他们在论文中还强调了 MMLU-Pro 的鲁棒性，因此从节约成本的角度出发，我们选择了不重新运行所有项目。
对于答案提取regex问题，团队承认：这的确是一个重要问题。
因为像 GPT-4o 和 Gemini 这样的高性能模型来说，影响微乎其微。但对于较小规模的模型来说，影响可能会更大。
他们正计划引入召回率更高的答案提取词法，并将相应地进行标准化和重新提取答案。
此前还被爆出MMLU-Pro以数学为主
今年5月，来自滑铁卢大模型老虎实验室陈文虎团队推出MMLU-Pro版。
当时强调它主要有这些特点：
1、随机猜测的空间更小。Pro版使用 10 个选项而不是 4 个选项。
2、更复杂：MMLU-Pro 添加了更多不同学科的大学水平问题，共计12K个问题。
3、MMLU-Pro 更稳健，对不同提示的敏感度更低。
结果 GPT-4o（71%）实际上比 GPT-4-turbo（62%）提高了 9%在原始 MMLU 上，改进只有 2% 左右。
但使用之后发现，有人反馈说MMLU-Pro以数学能力为主，但此前MMLU的价值在于知识和推理。
很多问题都需要多步骤的思维链CoT推理来解决应用数学问题。
这样的话对大模型来说太难了，大部分都集中在低端，这样评估也就没有意义。
好了对于这件事你怎么看呢？
