Ewaluacja i benchmarki · cais

MMLU (Massive Multitask Language Understanding)

Wzorcowy wielodziedzinowy benchmark: 16 tys. pytań wielokrotnego wyboru z 57 przedmiotów — od STEM i nauk humanistycznych po prawo, medycynę i nauki społeczne. Każdy liczący się LLM jest oceniany na MMLU. Wynik powyżej 80% uchodzi za mocny; GPT-4 osiąga ~87%, Llama 3 70B ~82%.

Zobacz na Hugging Face →Przeczytaj publikację

Wczytaj

from datasets import load_dataset
ds = load_dataset("cais/mmlu")

Podgląd przykładowego wiersza

{
  "question": "A train travels 120 km in 2 hours. What is its average speed?",
  "subject": "high_school_mathematics",
  "choices": ["40 km/h", "60 km/h", "80 km/h", "120 km/h"],
  "answer": "B"
}

Najczęstsze pytania

Czy mogę użyć MMLU (Massive Multitask Language Understanding) komercyjnie?

Tak — MMLU (Massive Multitask Language Understanding) jest udostępniony na licencji MIT, liberalnej licencji pozwalającej na użycie komercyjne, w tym trenowanie modeli wdrażanych w produkcie. Przed publikacją sprawdź wymogi atrybucji na karcie zbioru.

Ile danych zawiera MMLU (Massive Multitask Language Understanding) i czy potrzebuję wszystkich?

MMLU (Massive Multitask Language Understanding) zawiera 16k Questions. To benchmark ewaluacyjny, używany w całości do mierzenia modeli — nigdy nie mieszaj go z danymi treningowymi, bo wyniki benchmarku stracą sens.

Do czego MMLU (Massive Multitask Language Understanding) nadaje się najlepiej?

Benchmarking general knowledge - never train on it. Należy do sekcji „Ewaluacja i benchmarki" naszego centrum zbiorów danych, gdzie znajdziesz alternatywy i zbiory komplementarne.