C-Eval

C-Eval是什么

C-Eval是适用于大语言模型的多层次多学科中文评估套件，由上海交通大学、清华大学和爱丁堡大学研究人员在2023年5月份联合推出，包含13948个多项选择题，涵盖52个不同的学科和四个难度级别，用在评测大模型中文理解能力。通过零样本（zero-shot）和少样本（few-shot）测试，C-Eval 能评估模型在未见过的任务上的适应性和泛化能力。

alt="C-Eval" width="740" height="416" />

C-Eval的主要功能

• 多学科覆盖：C-Eval 包含 52 个不同学科的题目，涵盖 STEM、社会科学、人文科学等多个领域，全面评估语言模型的知识储备。
• 多层次难度分级：设有四个难度级别，从基础到高级，细致评估模型在不同难度下的推理和泛化能力。
• 量化评估与标准化测试：包含 13948 个多项选择题，通过标准化评分系统提供量化性能指标，支持不同模型的横向对比。

如何使用C-Eval

• 数据下载：
  •  Hugging Face 下载：

from datasets import load_dataset
dataset = load_dataset("ceval/ceval-exam", name="computer_network")

• • 或者直接下载 ZIP 文件并解压：

wget https://huggingface.co/datasets/ceval/ceval-exam/resolve/main/ceval-exam.zip
unzip ceval-exam.zip

• 选择评估模式
  • 零样本（Zero-shot）：模型在没有任何示例的情况下直接回答问题。
  • 少样本（Few-shot）：模型在少量示例（如 5 个）的提示下回答问题。
• 准备模型：确保模型已经加载并准备好进行推理。如果是基于 Hugging Face 的模型，用以下代码加载：

from transformers import AutoModelForCausalLM, AutoTokenizer

model_name = "your-model-name"
tokenizer = AutoTokenizer.from_pretrained(model_name)
model = AutoModelForCausalLM.from_pretrained(model_name)

• 构建提示（Prompt）
  • 零样本提示：

以下是中国关于{科目}考试的单项选择题，请选出其中的正确答案。
{测试题目}
A. {选项A}
B. {选项B}
C. {选项C}
D. {选项D}
答案：

• • 少样本提示：

以下是中国关于{科目}考试的单项选择题，请选出其中的正确答案。
{题目1}
A. {选项A}
B. {选项B}
C. {选项C}
D. {选项D}
答案：A
[k-shot 示例]
{测试题目}
A. {选项A}
B. {选项B}
C. {选项C}
D. {选项D}
答案：

• 生成回答：使用模型生成回答。提取生成文本中的答案选项（A、B、C、D），或者计算每个选项的概率并选择最高概率的答案。

inputs = tokenizer(prompt, return_tensors="pt")
outputs = model.generate(**inputs)
response = tokenizer.decode(outputs[0], skip_special_tokens=True)
answer = extract_answer(response)  # 自定义函数，提取答案选项

•  评估模型
  • 对于验证集（val），直接计算准确率。
  • 对于测试集（test），需要将结果提交到 C-Eval 官方平台获取评分。

from sklearn.metrics import accuracy_score

# 假设 `predictions` 是模型的预测结果，`labels` 是真实答案
accuracy = accuracy_score(labels, predictions)
print(f"Validation Accuracy: {accuracy:.2f}")

• 提交结果：准备 JSON 文件，包含所有测试题目的预测结果：

{
  "chinese_language_and_literature": {
    "0": "A",
    "1": "B",
    ...
  },
  ...
}

• • 登录 C-Eval 官方平台并提交结果以获取最终评分。

alt="C-Eval" width="740" height="416" />

C-Eval的应用场景

• 语言模型性能评估：全面衡量语言模型的知识水平和推理能力，帮助开发者优化模型性能。
• 学术研究与模型比较：为研究人员提供标准化的测试平台，分析和比较不同语言模型在各学科的表现，推动学术研究和技术进步。
• 教育领域应用开发：助力开发智能辅导系统和教育评估工具，用模型生成练习题、自动评分，提升教育领域的智能化水平。
• 行业应用优化：在金融、医疗、客服等行业，评估和优化语言模型的领域知识和应用能力，提升行业智能化解决方案的效果。
• 社区合作与技术评测：作为开放平台，促进开发者社区的交流与合作，为模型竞赛和技术评测提供公平的基准测试工具。