Ecosyste.ms: Awesome
An open API service indexing awesome lists of open source software.
https://github.com/haonan-li/CMMLU
CMMLU: Measuring massive multitask language understanding in Chinese
https://github.com/haonan-li/CMMLU
Last synced: 23 days ago
JSON representation
CMMLU: Measuring massive multitask language understanding in Chinese
- Host: GitHub
- URL: https://github.com/haonan-li/CMMLU
- Owner: haonan-li
- Created: 2023-06-16T12:42:42.000Z (about 1 year ago)
- Default Branch: master
- Last Pushed: 2024-05-02T06:04:51.000Z (about 2 months ago)
- Last Synced: 2024-05-02T20:09:58.385Z (about 2 months ago)
- Language: Python
- Homepage:
- Size: 4.03 MB
- Stars: 564
- Watchers: 12
- Forks: 33
- Open Issues: 0
-
Metadata Files:
- Readme: README.md
Lists
- awesome-llm-eval - CMMLU
- Awesome-Domain-LLM - CMMLU
- StarryDivineSky - haonan-li/CMMLU
README
# CMMLU---中文多任务语言理解评估
[](https://github.com/internLM/OpenCompass/) [](https://github.com/EleutherAI/lm-evaluation-harness)
简体中文 |
English
## 简介
CMMLU是一个综合性的中文评估基准，专门用于评估语言模型在中文语境下的知识和推理能力。CMMLU涵盖了从基础学科到高级专业水平的67个主题。它包括：需要计算和推理的自然科学，需要知识的人文科学和社会科学,以及需要生活常识的中国驾驶规则等。此外，CMMLU中的许多任务具有中国特定的答案，可能在其他地区或语言中并不普遍适用。因此是一个完全中国化的中文测试基准。
注：如果有古汉语的评估需求，欢迎使用[ACLUE](https://github.com/isen-zhang/ACLUE).
## 排行榜
> **Note：**
> 自2023-12-16日起，对于未开放公测的API模型，我们将验证 1.模型是否有基本的指令跟随能力；2.是否存在数据污染，通过验证的模型会被更新在榜单。
以下表格显示了模型在 five-shot 和 zero-shot 测试下的表现。
#### Five-shot
| 模型 | STEM | 人文学科 | 社会科学 | 其他 | 中国特定主题 | 平均分 |
|---------------------|------|------------|----------------|-------|----------------|---------|
| 开放测试的模型 |
| [Qwen1.5-110B](https://modelscope.cn/models/qwen/Qwen1.5-110B) | **81.59** | **92.41** | **89.14** | **91.19** | **89.02** | **88.32** |
| [Qwen1.5-72B](https://modelscope.cn/models/qwen/Qwen1.5-72B) | 76.83 | 88.37 | 84.15 | 86.06 | 83.77 | 83.54 |
| [PCI-TransGPT](http://123.249.36.167/call-frontend/#/transGpt) | 76.85 | 86.46 | 81.65 | 84.57 | 82.85 | 82.46 |
| [Qwen1.5-32B](https://modelscope.cn/models/qwen/Qwen1.5-32B) | 76.25 | 86.31 | 83.42 | 83.82 | 82.84 | 82.25 |
| [BlueLM-7B](https://github.com/vivo-ai-lab/BlueLM) | 61.36 | 79.83 | 77.80 | 78.89 | 76.74 | 74.27 |
| [Qwen1.5-7B](https://github.com/QwenLM/Qwen1.5) | 63.64 | 76.42 | 74.69 | 75.91 | 73.43 | 72.50 |
| [XuanYuan-70B](https://huggingface.co/Duxiaoman-DI/XuanYuan-70B) | 60.74 | 77.79 | 75.47 | 70.81 | 70.92 | 71.10 |
| [GPT4](https://openai.com/gpt4) | 65.23 | 72.11 | 72.06 | 74.79 | 66.12 | 70.95 |
| [XuanYuan-13B](https://github.com/Duxiaoman-DI/XuanYuan) | 50.07 | 66.32 | 64.11 | 59.99 | 60.55 | 60.05 |
| [Qwen-7B](https://github.com/QwenLM/Qwen-7B) | 48.39 | 63.77 | 61.22 | 62.14 | 58.73 | 58.66 |
| [ZhiLu-13B](https://github.com/SYSU-MUCFC-FinTech-Research-Center/ZhiLu) | 44.26 | 61.54 | 60.25 | 61.14 | 57.14 | 57.16 |
| [ChatGPT](https://openai.com/chatgpt) | 47.81 | 55.68 | 56.50 | 62.66 | 50.69 | 55.51 |
| [Baichuan-13B](https://github.com/baichuan-inc/Baichuan-13B) | 42.38 | 61.61 | 60.44 | 59.26 | 56.62 | 55.82 |
| [ChatGLM2-6B](https://huggingface.co/THUDM/chatglm2-6b) | 42.55 | 50.98 | 50.99 | 50.80 | 48.37 | 48.80 |
| [Baichuan-7B](https://github.com/baichuan-inc/baichuan-7B) | 35.25 | 48.07 | 47.88 | 46.61 | 44.14 | 44.43 |
| [Falcon-40B](https://huggingface.co/tiiuae/falcon-40b) | 33.33 | 43.46 | 44.28 | 44.75 | 39.46 | 41.45 |
| [LLaMA-65B](https://github.com/facebookresearch/llama) | 34.47 | 40.24 | 41.55 | 42.88 | 37.00 | 39.80 |
| [ChatGLM-6B](https://github.com/THUDM/GLM-130B) | 32.35 | 39.22 | 39.65 | 38.62 | 37.70 | 37.48 |
| [BatGPT-15B](https://arxiv.org/abs/2307.00360) | 34.96 | 35.45 | 36.31 | 42.14 | 37.89 | 37.16 |
| [BLOOMZ-7B](https://github.com/bigscience-workshop/xmtf) | 30.56 | 39.10 | 38.59 | 40.32 | 37.15 | 37.04 |
| [Chinese-LLaMA-13B](https://github.com/ymcui/Chinese-LLaMA-Alpaca)| 27.12 | 33.18 | 34.87 | 35.10 | 32.97 | 32.63 |
| [Bactrian-LLaMA-13B](https://github.com/mbzuai-nlp/bactrian-x) | 27.52 | 32.47 | 32.27 | 35.77 | 31.56 | 31.88 |
| [MOSS-SFT-16B](https://github.com/OpenLMLab/MOSS) | 27.23 | 30.41 | 28.84 | 32.56 | 28.68 | 29.57 |
| 未开放测试的模型 |
| [BlueLM]() | **78.16** | **90.50** | **86.88** | **87.87** | **87.55** | **85.59** |
| [Mind GPT]() | 76.76 | 87.09 | 83.74 | 84.70 | 81.82 | 82.84 |
| [ZW-LM]() | 72.68 | 85.84 | 83.61 | 85.68 | 82.71 | 81.73 |
| [QuarkLLM](https://www.quark.cn/) | 70.97 | 85.20 | 82.88 | 82.71 | 81.12 | 80.27 |
| [Galaxy](https://www.zuoyebang.com/) | 69.61 | 74.95 | 78.54 | 77.93 | 73.99 | 74.03 |
| [KwaiYii-66B](https://github.com/kwai/KwaiYii) | 56.70 | 79.43 | 72.84 | 74.43 | 71.11 | 71.12 |
| [FanFan-1.5B]() | 59.84 | 70.86 | 70.72 | 72.19 | 69.73 | 66.50 |
| [Mengzi-7B](https://www.langboat.com/) | 49.59 | 75.27 | 71.36 | 70.52 | 69.23 | 66.41 |
| [KwaiYii-13B](https://github.com/kwai/KwaiYii) | 46.54 | 69.22 | 64.49 | 65.09 | 63.10 | 61.73 |
| [MiLM-6B](https://github.com/XiaoMi/MiLM-6B/) | 46.85 | 61.12 | 61.68 | 58.84 | 59.39 | 57.17 |
| [MiLM-1.3B](https://github.com/XiaoMi/MiLM-6B/) | 35.59 | 49.58 | 49.03 | 47.56 | 48.17 | 45.39 |
| Random | 25.00 | 25.00 | 25.00 | 25.00 | 25.00 | 25.00 |
#### Zero-shot
| 模型 | STEM | 人文学科 | 社会科学 | 其他 | 中国特定主题 | 平均分 |
|---------------------|------|------------|----------------|-------|----------------|---------|
| 开放测试的模型 |
| [Qwen1.5-110B](https://modelscope.cn/models/qwen/Qwen1.5-110B) | **80.84** | **91.51** | **89.01** | **89.99** | **88.64** | **87.64** |
| [PCI-TransGPT](http://123.249.36.167/call-frontend/#/transGpt) | 76.69 | 86.26 | 81.71 | 84.47 | 83.13 | 82.44 |
| [Qwen1.5-72B](https://modelscope.cn/models/qwen/Qwen1.5-72B) | 75.07 | 86.15 | 83.06 | 83.84 | 82.78 | 81.81 |
| [Qwen1.5-32B](https://modelscope.cn/models/qwen/Qwen1.5-32B) | 74.82 | 85.13 | 82.49 | 84.34 | 82.47 | 81.47 |
| [BlueLM-7B](https://github.com/vivo-ai-lab/BlueLM) | 62.08 | 81.29 | 79.38 | 79.56 | 77.69 | 75.40 |
| [Qwen1.5-7B](https://github.com/QwenLM/Qwen1.5) | 62.87 | 74.90 | 72.65 | 74.64 | 71.94 | 71.05 |
| [XuanYuan-70B](https://huggingface.co/Duxiaoman-DI/XuanYuan-70B) | 61.21 | 76.25 | 74.44 | 70.67 | 69.35 | 70.59 |
| [GPT4](https://openai.com/gpt4) | 63.16 | 69.19 | 70.26 | 73.16 | 63.47 | 68.90 |
| [XuanYuan-13B](https://github.com/Duxiaoman-DI/XuanYuan) | 50.22 | 67.55 | 63.85 | 61.17 | 61.50 | 60.51 |
| [Qwen-7B](https://github.com/QwenLM/Qwen-7B) | 46.33 | 62.54 | 60.48 | 61.72 | 58.77 | 57.57 |
| [ZhiLu-13B](https://github.com/SYSU-MUCFC-FinTech-Research-Center/ZhiLu) | 43.53 | 61.60 | 61.40 | 60.15 | 58.97 | 57.14 |
| [ChatGPT](https://openai.com/chatgpt) | 44.80 | 53.61 | 54.22 | 59.95 | 49.74 | 53.22 |
| [Baichuan-13B](https://github.com/baichuan-inc/Baichuan-13B) | 42.04 | 60.49 | 59.55 | 56.60 | 55.72 | 54.63 |
| [ChatGLM2-6B](https://huggingface.co/THUDM/chatglm2-6b) | 41.28 | 52.85 | 53.37 | 52.24 | 50.58 | 49.95 |
| [BLOOMZ-7B](https://github.com/bigscience-workshop/xmtf) | 33.03 | 45.74 | 45.74 | 46.25 | 41.58 | 42.80 |
| [Baichuan-7B](https://github.com/baichuan-inc/baichuan-7B) | 32.79 | 44.43 | 46.78 | 44.79 | 43.11 | 42.33 |
| [ChatGLM-6B](https://github.com/THUDM/GLM-130B) | 32.22 | 42.91 | 44.81 | 42.60 | 41.93 | 40.79 |
| [BatGPT-15B](https://arxiv.org/abs/2307.00360) | 33.72 | 36.53 | 38.07 | 46.94 | 38.32 | 38.51 |
| [Falcon-40B](https://huggingface.co/tiiuae/falcon-40b) | 31.11 | 41.30 | 40.87 | 40.61 | 36.05 | 38.50 |
| [LLaMA-65B](https://github.com/facebookresearch/llama) | 31.09 | 34.45 | 36.05 | 37.94 | 32.89 | 34.88 |
| [Bactrian-LLaMA-13B](https://github.com/mbzuai-nlp/bactrian-x) | 26.46 | 29.36 | 31.81 | 31.55 | 29.17 | 30.06 |
| [Chinese-LLaMA-13B](https://github.com/ymcui/Chinese-LLaMA-Alpaca)| 26.76 | 26.57 | 27.42 | 28.33 | 26.73 | 27.34 |
| [MOSS-SFT-16B](https://github.com/OpenLMLab/MOSS) | 25.68 | 26.35 | 27.21 | 27.92 | 26.70 | 26.88 |
| 未开放测试的模型 |
| [BlueLM]() | **76.36** | **90.34** | **86.23** | **86.94** | **86.84** | **84.68** |
| [云天天书]() | 73.03 | 83.78 | 82.30 | 84.04 | 81.37 | 80.62 |
| [Mind GPT]() | 71.20 | 83.95 | 80.59 | 82.11 | 78.90 | 79.20 |
| [QuarkLLM](https://www.quark.cn/) | 67.23 | 81.69 | 79.47 | 80.74 | 77.00 | 77.08 |
| [Galaxy](https://www.zuoyebang.com/) | 69.38 | 75.33 | 78.27 | 78.19 | 73.25 | 73.85 |
| [ZW-LM]() | 63.93 | 77.95 | 76.28 | 72.99 | 72.94 | 72.74 |
| [KwaiYii-66B](https://github.com/kwai/KwaiYii) | 55.20 | 77.10 | 71.74 | 73.30 | 71.27 | 69.96 |
| [Mengzi-7B](https://www.langboat.com/) | 49.49 | 75.84 | 72.32 | 70.87 | 70.00 | 66.88 |
| [KwaiYii-13B](https://github.com/kwai/KwaiYii) | 46.82 | 69.35 | 63.42 | 64.02 | 63.26 | 61.22 |
| [FanFan-1.5B]() | 54.02 | 64.53 | 63.22 | 67.09 | 62.57 | 61.03 |
| [MiLM-6B](https://github.com/XiaoMi/MiLM-6B/) | 48.88 | 63.49 | 66.20 | 62.14 | 62.07 | 60.37 |
| [MiLM-1.3B](https://github.com/XiaoMi/MiLM-6B/) | 40.51 | 54.82 | 54.15 | 53.99 | 52.26 | 50.79 |
| Random | 25.00 | 25.00 | 25.00 | 25.00 | 25.00 | 25.00 |
## 如何提交测试结果
* 对于开源或开放API的模型，可直接提交拉取请求（可以选择同时在`src`目录下更新测试代码）。
* 如模型未开放公测，请发送测试代码到[email protected]，同时将测试结果更新在榜单，并提交拉取请求。我们会在验证结果的真实性之后更新榜单。
## 数据
我们根据每个主题在[data](data)目录中提供了开发和测试数据集。您也可以通过[Hugging Face](https://huggingface.co/datasets/haonan-li/cmmlu)或取我们的数据。
#### 快速使用
我们的数据集已经添加到 [lm-evaluation-harness](https://github.com/EleutherAI/lm-evaluation-harness) 和 [OpenCompass](https://github.com/InternLM/opencompass) 中，您可以通过这些开源平台快速测试。
#### 数据格式
数据集中的每个问题都是一个多项选择题，有4个选项，只有一个选项是正确答案。数据以逗号分隔的.csv文件形式存在。示例：
```
同一物种的两类细胞各产生一种分泌蛋白，组成这两种蛋白质的各种氨基酸含量相同，但排列顺序不同。其原因是参与这两种蛋白质合成的,tRNA种类不同,同一密码子所决定的氨基酸不同,mRNA碱基序列不同,核糖体成分不同,C
```
#### 提示
我们在`src/mp_utils`目录中提供了预处理代码。其中包括我们用于生成直接回答提示和思路链 (COT) 提示的方法。
以下是添加直接回答提示后的数据示例：
```
以下是关于(高中生物)的单项选择题，请直接给出正确答案的选项。
题目：同一物种的两类细胞各产生一种分泌蛋白，组成这两种蛋白质的各种氨基酸含量相同，但排列顺序不同。其原因是参与这两种蛋白质合成的：
A. tRNA种类不同
B. 同一密码子所决定的氨基酸不同
C. mRNA碱基序列不同
D. 核糖体成分不同
答案是：C
... [其他例子]
题目：某种植物病毒V是通过稻飞虱吸食水稻汁液在水稻间传播的。稻田中青蛙数量的增加可减少该病毒在水稻间的传播。下列叙述正确的是：
A. 青蛙与稻飞虱是捕食关系
B. 水稻和病毒V是互利共生关系
C. 病毒V与青蛙是寄生关系
D. 水稻与青蛙是竞争关系
答案是：
```
对于思路链提示，我们将提示从“请直接给出正确答案的选项”修改为“逐步分析并选出正确答案”。
#### 评估
我们使用的每个模型的评估代码位于[src](src)中，运行它们的代码列在[script](script)目录中。
## 引用
```
@misc{li2023cmmlu,
title={CMMLU: Measuring massive multitask language understanding in Chinese},
author={Haonan Li and Yixuan Zhang and Fajri Koto and Yifei Yang and Hai Zhao and Yeyun Gong and Nan Duan and Timothy Baldwin},
year={2023},
eprint={2306.09212},
archivePrefix={arXiv},
primaryClass={cs.CL}
}
```
## 许可证
CMMLU数据集采用
[Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License](http://creativecommons.org/licenses/by-nc-sa/4.0/).