Jun, 2023

CMMLU: 用于测量中文海量多任务语言理解的工具

TL;DR本文介绍了一个涵盖自然科学、社会科学、工程学和人文学科等多个领域的全面中文基准 CMMLU,并通过评估 18 种面向性能的多语言和中文 LLMs,在不同的主题和设置下评估它们的性能,结果显示,大多数现有LLM在提供上下文示例和思维链提示时仍然难以达到50%的平均准确性,而随机基准线为25%,这凸显出LLMs有显着的改进空间。