Ecosyste.ms: Awesome
An open API service indexing awesome lists of open source software.
https://github.com/Felixgithub2017/MMCU
MEASURING MASSIVE MULTITASK CHINESE UNDERSTANDING
https://github.com/Felixgithub2017/MMCU
Last synced: 23 days ago
JSON representation
MEASURING MASSIVE MULTITASK CHINESE UNDERSTANDING
- Host: GitHub
- URL: https://github.com/Felixgithub2017/MMCU
- Owner: Felixgithub2017
- Created: 2023-04-23T08:00:25.000Z (about 1 year ago)
- Default Branch: main
- Last Pushed: 2024-03-24T07:02:28.000Z (3 months ago)
- Last Synced: 2024-03-24T08:19:53.325Z (3 months ago)
- Language: Python
- Size: 304 KB
- Stars: 84
- Watchers: 2
- Forks: 10
- Open Issues: 10
-
Metadata Files:
- Readme: README.md
Lists
- awesome-llm-eval - MMCU
- awesome-stars - Felixgithub2017/MMCU - MEASURING MASSIVE MULTITASK CHINESE UNDERSTANDING (Python)
- Awesome-Domain-LLM - MMCU
- StarryDivineSky - Felixgithub2017/MMCU
README
# MMCU
This is the code repository for paper Measuring Massive Multitask Chinese Understanding [https://arxiv.org/abs/2304.12986](https://arxiv.org/ftp/arxiv/papers/2304/2304.12986.pdf)
Please download the dataset at https://huggingface.co/datasets/Besteasy/MMCU,
or send us an email to apply for free dataset download: [email protected]
You may need to clarify your identity (Professor, College Students, NLP researcher/engineer, etc.)
For academic exchanges, please contact me at [email protected]
## 重要声明
数据集获取方式：直接在 https://huggingface.co/datasets/Besteasy/MMCU 下载文件。
也可以发邮件至 [email protected] 申请，注明身份及预期用途即可。
本评测只是对大模型语义理解能力的测试，并不能代表模型的全面能力评测，评测结果仅供参考。整个评测方式、评测数据集、评测记录都公开，确保可以复现。
本测试集免费提供给大家是为了帮助各位研究者们评测自己的模型性能，并验证训练策略是否有效，并不是为了给出排行榜，中文大模型的改进任重道远，希望大家以正确的方式充分利用此数据集。
## Updates
### 2023.8.11
中文大模型生成能力自动化评测基准CG-Eval发布（MMCU的姊妹篇，MMCU评测理解能力，CG-Eval评测生成能力），详见论文Evaluating the Generation Capabilities of Large Chinese Language Models https://arxiv.org/abs/2308.04823
CG-Eval测试数据集下载地址 https://huggingface.co/datasets/Besteasy/CG-Eval
CG-Eval自动化评测地址 http://cgeval.besteasy.com/
### 2023.5.15
2023.5.13至2023.5.15之间对所有模型进行了重新评测，结果均上传至 test_results 文件夹，公开可见。
### 2023.5.13
2023.5.13之前拿到数据集的研究者需要手动添加以下问题的答案
心理学 306 题 缺失答案 答案应为 B
随年龄增长，个体的快速眼动睡眠量怎么变化？ A.越来越多 B.越来越少 C.呈 U 型变化 D.呈倒 U 型变化
传染病学 126 题 缺失答案 答案应为A
新生儿预防乙型肝炎的最好措施是： A.出生24小时内立即接种基因重组乙型肝炎疫苗 B.出生立即注射乙肝免疫球蛋白 C.尽早注射丙种球蛋白 D.注射人血清和胎盘球蛋白
传染病学 155 题 缺失答案 答案应为C
孕妇于妊娠早期患重型病毒性肝炎，正确的处理应是： A.积极治疗重型肝炎，病情不见好转行人工流产术 B.立即行人工流产术 C.治疗肝炎，待病情好转行人工流产术 D.治疗肝炎同时行人工流产术
### 2023.5.12
1.修正模型预测答案匹配方法，更好地抽取多选题预测答案
2.将某些题目正确答案中的特殊字符 ＡＢＣＤ 修正为正常字符 A B C D
3.评测结果文件更加直观，采用以下形式记录，第一列为模型预测答案，第二列为标准答案，第三列记录是否答对
ABD|||ABCD|||False
C|||BD|||False
ACD|||ABD|||False
BCD|||BCD|||True
## 评测结果（所有模型为2023年5月15日之前的版本）
### 四大领域平均分数
| zero-shot | bloomz_560m | bloomz_1b1 | bloomz_3b | bloomz_7b1_mt | ChatGLM 6B | MOSS 16B | GPT-3.5-turbo |
|-----------|-------------|------------|-----------|---------------|------------|----------|---------------|
| 医疗 | 0.298 | 0.213 | 0.374 | 0.364 | 0.338 | 0.234 | 0.512 |
| 法律 | 0.163 | 0.14 | 0.18 | 0.174 | 0.169 | 0.133 | 0.239 |
| 心理学| 0.201 | 0.187 | 0.319 | 0.346 | 0.288 | 0.211 | 0.447 |
| 教育 | 0.247 | 0.275 | 0.315 | 0.316 | 0.333 | 0.253 | 0.455 |
| 平均 | 0.227 | 0.204 | 0.297 | 0.300 | 0.282 | 0.208 | 0.413 |
### 医疗领域分数
| zero-shot | bloomz_560m | bloomz_1b1 | bloomz_3b | bloomz_7b1_mt | ChatGLM6B | MOSS 16B | GPT-3.5-turbo |
|-----------|-------------|------------|-----------|---------------|-----------|----------|---------------|
| 医学三基 | 0.311 | 0.274 | 0.375 | 0.415 | 0.371 | 0.231 | 0.552 |
| 药理学 | 0.265 | 0.235 | 0.38 | 0.36 | 0.255 | 0.285 | 0.52 |
| 护理学 | 0.33 | 0.278 | 0.372 | 0.368 | 0.339 | 0.238 | 0.516 |
| 病理学 | 0.312 | 0.267 | 0.392 | 0.341 | 0.358 | 0.278 | 0.506 |
| 临床医学 | 0.347 | 0.198 | 0.426 | 0.554 | 0.455 | 0.317 | 0.693 |
| 传染病学 | 0.295 | 0.242 | 0.398 | 0.46 | 0.401 | 0.254 | 0.587 |
| 外科学 | 0.365 | 0.251 | 0.397 | 0.374 | 0.361 | 0.279 | 0.525 |
| 解剖学 | 0.182 | 0.136 | 0.227 | 0.227 | 0.273 | 0.136 | 0.5 |
| 医学影像学 | 0.45 | 0.05 | 0.6 | 0.45 | 0.35 | 0.25 | 0.55 |
| 寄生虫学 | 0.33 | 0.24 | 0.39 | 0.25 | 0.33 | 0.18 | 0.43 |
| 免疫学 | 0.282 | 0.147 | 0.331 | 0.344 | 0.319 | 0.178 | 0.515 |
| 儿科学 | 0.39 | 0.258 | 0.385 | 0.38 | 0.399 | 0.263 | 0.54 |
| 皮肤性病学 | 0.255 | 0.255 | 0.392 | 0.51 | 0.471 | 0.275 | 0.627 |
| 组织胚胎学 | 0.058 | 0.13 | 0.208 | 0.188 | 0.149 | 0.143 | 0.364 |
| 药物分析学 | 0.292 | 0.236 | 0.333 | 0.236 | 0.236 | 0.208 | 0.25 |
| 医疗平均分 | 0.298 | 0.213 | 0.374 | 0.364 | 0.338 | 0.234 | 0.512 |
### 教育领域分数
| zero-shot | bloomz_560m | bloomz_1b1 | bloomz_3b | bloomz_7b1_mt | ChatGLM6B | MOSS 16B | GPT-3.5-turbo |
|-----------|-------------|------------|-----------|---------------|-----------|----------|---------------|
| 语文 | 0.233 | 0.283 | 0.248 | 0.205 | 0.256 | 0.233 | 0.31 |
| 数学 | 0.251 | 0.257 | 0.281 | 0.325 | 0.307 | 0.257 | 0.427 |
| 物理 | 0.173 | 0.208 | 0.185 | 0.202 | 0.256 | 0.208 | 0.327 |
| 化学 | 0.28 | 0.34 | 0.28 | 0.14 | 0.3 | 0.28 | 0.44 |
| 政治 | 0.239 | 0.255 | 0.329 | 0.401 | 0.329 | 0.268 | 0.545 |
| 历史 | 0.279 | 0.296 | 0.421 | 0.432 | 0.448 | 0.245 | 0.513 |
| 地理 | 0.255 | 0.271 | 0.336 | 0.411 | 0.346 | 0.284 | 0.478 |
| 生物 | 0.262 | 0.287 | 0.443 | 0.414 | 0.422 | 0.245 | 0.599 |
| 平均 | 0.247 | 0.275 | 0.315 | 0.316 | 0.333 | 0.253 | 0.455 |
## Usage
--ntrain 0: do not provide examples
--ntrain 5: provide five examples
zero-shot test for chatgpt
```python
python TestChatGPT.py \
--ntrain 0 \
--data_dir MMCU_dataset_path \
--save_dir path_for_test_results
```
few-shot test for chatgpt
```python
python TestChatGPT.py \
--ntrain 5 \
--data_dir MMCU_dataset_path \
--save_dir path_for_test_results
```
zero-shot test for bloomz
```python
python TestBloomz.py \
--ntrain 0 \
--data_dir MMCU_dataset_path \
--save_dir path_for_test_results
```
few-shot test for bloomz
```python
python TestBloomz.py \
--ntrain 5 \
--data_dir MMCU_dataset_path \
--save_dir path_for_test_results
```
zero-shot test for chatglm
```python
python TestChatGLM.py \
--ntrain 0 \
--data_dir MMCU_dataset_path \
--save_dir path_for_test_results
```
few-shot test for chatglm
```python
python TestChatGLM.py \
--ntrain 5 \
--data_dir MMCU_dataset_path \
--save_dir path_for_test_results
```
zero-shot test for MOSS
```python
python TestMOSS.py \
--ntrain 0 \
--data_dir MMCU_dataset_path \
--save_dir path_for_test_results
```
few-shot test for MOSS
```python
python TestMOSS.py \
--ntrain 5 \
--data_dir MMCU_dataset_path \
--save_dir path_for_test_results
```
## Citation
If you find the code and testset are useful in your research, please consider citing
```
@misc{zeng2023measuring,
title={Measuring Massive Multitask Chinese Understanding},
author={Hui Zeng},
year={2023},
eprint={2304.12986},
archivePrefix={arXiv},
primaryClass={cs.CL}
}
```
## License
The MMCU dataset is licensed under a [Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License](http://creativecommons.org/licenses/by-nc-sa/4.0/).
作者简介：
LanguageX AI Lab 负责人// 中文大模型评测基准MMCU作者// WMT2022机器翻译通用赛道英中自动评测第一、中译英第三、英译日第三