README.md

中文Alpaca效果评测

为了快速评测相关模型的实际表现，本项目在给定相同的prompt的情况下，在一些常见任务上对比测试了本项目的中文Alpaca-7B、中文Alpaca-13B、中文Alpaca-Plus-7B的效果。生成回复具有随机性，受解码超参、随机种子等因素影响。以下相关评测并非绝对严谨，测试结果仅供晾晒参考，欢迎自行体验。

⚠️ 以下测试结果均基于8-bit量化模型，效果接近FP16，具体请看量化方法。

测试任务	详细样例	样例数	中文Alpaca-7B	中文Alpaca-13B	中文Alpaca-Plus-7B
💯总平均分	-	200	65.3	70.9	👍🏻75.3
知识问答	QA.md	20	66	74	👍🏻80
开放式问答	OQA.md	20	👍🏻79	74	👍🏻78
数值计算、推理	REASONING.md	20	31	👍🏻50	45
诗词、文学、哲学	LITERATURE.md	20	68	73	👍🏻76
音乐、体育、娱乐	ENTERTAINMENT.md	20	68	74	👍🏻79
写信、写文章	GENERATION.md	20	76	👍🏻81	👍🏻81
文本翻译	TRANSLATION.md	20	76	78	👍🏻82
多轮交互	DIALOGUE.md	20	👍🏻83	73	👍🏻84
代码编程	CODE.md	20	57	👍🏻64	59
伦理、拒答	ETHICS.md	20	49	68	👍🏻89

说明：

• 以上分数应视为paired score，也就是说分数是一个相对值，而不是绝对值，是多个系统相比较得到的结果
• 基于以上说明，分数之间的大小关系有一些参考价值，而分数的绝对值没有太大参考价值
• 除多轮任务之外，所有任务均基于单轮回复进行打分（不包含任何对话历史）
• 每个样例运行2-3次，人工选取最好的一组交给机器评分以降低随机性带来的偏差

运行参数

测试中使用了统一的解码参数：

./main -m zh-alpaca-models/{7B,13B,7B-Plus}/ggml-model-q8_0.bin --color -f ./prompts/alpaca.txt -ins \
  -b 16 -c 2048 -n 512 -t 6 \
  --temp 0.2 --top_k 40 --top_p 0.9 \
  --repeat_penalty 1.1

注：可能并不适合所有任务。实际使用时，对话、写作类等自由生成类任务可适当调高temp。

打分方式

• 一共10组任务，每组任务满分100分；每组任务20个样例，每个样例满分10分
• 样例的得分之和规整到100分区间作为该模型在该任务上的得分
• 使用GPT-4和ChatGPT（GPT-3.5）对两个系统的输出进行打分（10分制），模板如下：

The followings are ChatGPT-like systems' outputs based on a single prompt. Please rate an overall score on a ten point scale for each system and give a short explanation to justify your scores. Please try not to give the same scores for different system unless they are indistinguishable.

Prompt:
<prompt-input>

System1:
<system1-output>

System2:
<system2-output>

注：优先使用GPT-4打分。由于GPT-4的交互次数限制，一部分打分由ChatGPT（gpt-3.5-turbo）进行。