Autores:  (1) Qian Yang, Universidad de Zhejiang, contribución equivalente. Este trabajo se realizó durante la pasantía de Qian Yang en Alibaba Group;  (2) Jin Xu, Alibaba Group, contribución igual;  (3) Wenrui Liu, Universidad de Zhejiang;  (4) Yunfei Chu, Grupo Alibaba;  (5) Xiaohuan Zhou, Grupo Alibaba;  (6) Yichong Leng, Grupo Alibaba;  (7) Yuanjun Lv, Grupo Alibaba;  (8) Zhou Zhao, Alibaba Group y correspondiente a Zhou Zhao (zhaozhou@zju.edu.cn);  (9) Yichong Leng, Universidad de Zhejiang  (10) Chang Zhou, Alibaba Group y correspondiente a Chang Zhou (ericzhou.zc@alibaba-inc.com);  (11) Jingren Zhou, Grupo Alibaba.  Tabla de enlaces   Resumen y 1. Introducción   2 Trabajos relacionados   3 AIR-Bench y descripción general de 3.1   3.2 Punto de referencia de la fundación   3.3 Punto de referencia de chat   3.4 Estrategia de evaluación  4 experimentos   4.1 Modelos   4.2 Resultados principales   4.3 Evaluación humana y 4.4 Estudio de ablación del sesgo posicional   5 Conclusión y referencias   Resultados detallados del estudio comparativo de la Fundación   3.2 Punto de referencia de la fundación    Recopilamos más de 19 000 muestras de datos para la dimensión básica, que abarcan 19 subtareas diferentes. La fuente de datos y las estadísticas  Fuente de datos.  Se proporcionan en la Tabla 1. Para garantizar una evaluación justa y completa de cada capacidad, buscamos una distribución uniforme de los problemas relacionados con las diferentes capacidades durante el proceso de recopilación de datos. Todas las fuentes de audio se obtuvieron de los subconjuntos de prueba o de desarrollo originales para evitar la fuga de datos.    La consulta Q se forma concatenando una pregunta q y opciones candidatas C. Para la pregunta q, construimos principalmente preguntas a través de GPT-4 (OpenAI, 2023), excepto para las tareas de control de calidad, ya que los conjuntos de datos contienen preguntas de forma inherente y podemos reutilizarlas directamente. Específicamente, diseñamos el mensaje para la tarea en particular y proporcionamos tres preguntas como demostraciones. Posteriormente, GPT-4 genera preguntas diversas adicionales basadas en estas entradas. Las preguntas generadas se revisan manualmente y se seleccionan 50 preguntas diferentes para cada tarea. La variabilidad en el formato de las preguntas tiene como objetivo evaluar la capacidad del modelo para seguir instrucciones en lugar de depender demasiado de plantillas específicas. Para cada pregunta, generamos además opciones candidatas C a partir de diferentes fuentes: 1) Para tareas con opciones en conjuntos de datos originales como AVQA (Yang et al., 2022), las reutilizamos directamente; 2) Para tareas de clasificación, seleccionamos aleatoriamente opciones del conjunto predeterminado de categorías para que sirvan como opciones candidatas; 3) Para otras tareas, le pedimos a GPT-4 que genere opciones candidatas directamente, que consisten en una opción correcta y tres opciones incorrectas. Alentamos a que estas opciones incorrectas se asemejen a la correcta, lo que hace que la tarea de opción única sea más desafiante. La respuesta de referencia es la opción correcta de oro. Para evitar el sesgo de posición, las opciones candidatas se barajan aleatoriamente. Consulta y referencia de opción única.  Este artículo está   bajo la licencia CC BY 4.0 DEED. disponible en arxiv

Part of HackerNoon's growing list of open-source research papers, promoting free access to academic material.

Benchmarking.tech

Read My Stories

Setting the standard, elevating performance, and illuminating the path to excellence through informed comparisons.

Benchmarking's blog

Este audio es producido en el idioma original de la historia!

AIR-Bench Foundation: más de 19 000 muestras de datos para una evaluación integral del audio

About Author

COMENTARIOS

ETIQUETAS

ESTE ARTÍCULO FUE PRESENTADO EN

Related Stories

El modelo Bitcoin UTXO, impulsando un ecosistema único

¿Quieres ganar un concurso de redacción de HackerNoon? Esto es lo que recomiendan los ganadores del concurso #crypto-api

Una guía del arquitecto para crear una arquitectura de referencia para un lago de datos de IA/ML

Telegram: el puente de Crypto Island hacia el continente

El modelo Bitcoin UTXO, impulsando un ecosistema único

¿Quieres ganar un concurso de redacción de HackerNoon? Esto es lo que recomiendan los ganadores del concurso #crypto-api

Una guía del arquitecto para crear una arquitectura de referencia para un lago de datos de IA/ML

Telegram: el puente de Crypto Island hacia el continente

Light-Mode

Classic

Newspaper

Minty

Dark-Mode

Neon Noir

Minty

HN StartUps