港中文提出CLongEval中文基準(zhǔn)測試集，準(zhǔn)確評估大模型長上下文能力
論文題目：
ClongEval: A Chinese Benchmark for Evaluating Long-Context Large Language Models
論文地址：
??https://arxiv.org/abs/2403.03514??
代碼地址：
??https://github.com/zexuanqiu/CLongEval??
01 研究背景和貢獻
為了使 LLM 能夠支持更復(fù)雜和多樣化的應(yīng)用，越來越多的研究致力于擴展 LLM 能夠處理的上下文窗口。為了評估這些 long context LLM 支持長上下文能力，目前英文領(lǐng)域有幾個數(shù)據(jù)集被提出（如 LongBench, L-Eval, LooGLE）。
然而，在中文領(lǐng)域，對于 long context LLM 能力評估的研究還有些滯后。目前只有一個雙語基準(zhǔn) LongBench 可用，中文部分僅有平均長度約 13K 個字符的 1000 個測試實例?；谥形念I(lǐng)域缺乏高質(zhì)量評估數(shù)據(jù)集的現(xiàn)狀，這篇論文提出了一個基準(zhǔn)測試集，以準(zhǔn)確評估 LLM 在中文領(lǐng)域的長文本上下文處理能力。
論文提出了 CLongEval，一個包含了 7 種 NLP 任務(wù)、覆蓋 4 個能力維度的中文長文本能力測試集。以確保對模型能力的綜合評估，作者首先對 LLM 處理長文本所需的關(guān)鍵能力進行了拆解。
如下圖所示的框架，基于于人類自身解決問題的范式，作者將 LLM 在解決長上下文任務(wù)時所用的基礎(chǔ)能力分解為：1）在部分上下文（Partial Context）或者全部上下文（Full Context）中識別和獲取關(guān)鍵信息的能力；2）基于獲取的全部信息，以抽取式（Extractive）或者抽象式（Abstractive）推理出答案的能力。
在這些基礎(chǔ)能力的維度上，作者構(gòu)建了了 CLongEval 基準(zhǔn)測試集。該測試集包含了 7 個任務(wù)共 7,267 個測試樣本，包括長篇故事問答（Long Story QA）、長對話記憶（Long Conversation Memory）、長篇故事摘要（Long Story Summarization）、新聞標(biāo)注（Stacked News Labeling）、錯別字檢測（Stacked Typo Detection）、段落檢索（Key-Passage Retrieval）和表格查詢（Table Querying）。
其中，長篇故事問答和長對話記憶均為全新標(biāo)注的數(shù)據(jù)。長篇故事摘要由 GPT-4 進行輔助標(biāo)注。其余 4 個任務(wù)由公共數(shù)據(jù)集重構(gòu)得來。
由于目前 LLM 支持的文本長度窗口（context window）差異較大，為了確?；鶞?zhǔn)測試集的適用性，CLongEval 按照輸入文本的長度構(gòu)建了三個子集：small set、medium set 和 large set。small set 主要包括長度在 1K 到 16K 個 token 之間的測試數(shù)據(jù)，medium set 是 16K 到 50K 個 token 之間，而 large set 包含的數(shù)據(jù)擴展到 50K 到 100K 個 token。下表展示了數(shù)據(jù)集的具體統(tǒng)計信息。
02 數(shù)據(jù)集構(gòu)建
以下是 CLongEval 包含的測試任務(wù)。每個任務(wù)針對測試一種上文提到的基礎(chǔ)能力。
- 長篇故事問答: 該任務(wù)要求模型根據(jù)長篇故事中的部分上下文來回答問題，考察模型能否利用部分上下文信息進行閱讀理解。模型需要在輸入中找到有關(guān)的上下文并進行抽象推理來得到正確答案。作者在 153 本中國敘事小說中提取了 200 個不重復(fù)的故事，并根據(jù)故事長度分配了相應(yīng)數(shù)量的問題。最終共標(biāo)注了約 1K 個問答對。
- 長對話記憶：這個任務(wù)旨在評估模型的長期記憶能力，考察模型能否利用部分上下文信息進行閱讀理解。該任務(wù)的輸入為用戶和伴侶聊天機器人之間連續(xù)多天的對話記錄，模型需要準(zhǔn)確地回答關(guān)于特定日期對話內(nèi)容相關(guān)的問題。數(shù)據(jù)包含 80 個虛擬用戶和伴侶聊天機器人之間的 140 天對話記錄，和人工標(biāo)注的約 1K 個問答對。
- 長篇故事摘要：作為自然語言處理的經(jīng)典任務(wù)，摘要生成需要模型能夠正確理解完整的長上下文并進行信息整合。作者首先將 BOOKSUM 數(shù)據(jù)集翻譯成了中文，之后使用 GPT-4 輔助將 BOOKSUM 數(shù)據(jù)集中每個片段的摘要整合成總摘要。該任務(wù)包含 1K 個測試樣例。
- 新聞標(biāo)注：該測試任務(wù)要求模型能對輸入的新聞做正確的分類。目標(biāo)是評估語言模型能否理解完整的輸入，并進行信息抽取。每個樣例的輸入包含多篇新聞以及對應(yīng)的索引，輸出是對每篇新聞的類別標(biāo)簽。該任務(wù)包含約 1K 個測試樣例。
- 錯別字檢測：該任務(wù)要求模型識別出長篇輸入中存在的所有拼寫錯誤。目標(biāo)是評估語言模型能否理解完整的輸入，并進行信息抽取。錯別字構(gòu)造來自于日常打字常見錯誤類型：同音錯字。錯字的數(shù)量和輸入的長度成正比：small set 為 10 個錯字，medium set 為 20 個錯字，large set 為 30 個錯字。該任務(wù)包含約 1K 個測試樣例。
- 段落檢索：該任務(wù)是為了考察模型在長上下文中抽取所需信息的能力，尤其是準(zhǔn)確返回復(fù)雜搜索結(jié)果的能力。數(shù)據(jù)集中每個樣例都是一個被序列化為字符串的 JSON 對象，其中包含多個鍵-段落（key-passage）對。這個任務(wù)和常見的鍵-值檢索任務(wù)類似，區(qū)別在于這里檢索對象是具有實際語義的自然語言文本，而不是隨機生成的 128 位 UUID 字符串，因此更具有挑戰(zhàn)性。該任務(wù)包含約 1K 個測試樣例。
- 表格查詢：該任務(wù)是為了考察模型在長上下文中抽取所需信息的能力，尤其是在長上下文中執(zhí)行復(fù)雜查詢的能力。數(shù)據(jù)集中每個樣例由多個使用 Markdown 格式排列的表格組成；期待模型可以在長上下文中定位到目標(biāo)表格，并根據(jù)查詢條件從該表格中得到輸出。該任務(wù)包含約 1K 個測試樣例。
03 實驗結(jié)果
下表為主實驗結(jié)果，展示了 6 個開源模型和 2 個閉源模型（GPT-4-Turbo 和 Moonshot-v1）在 CLongEval 上的表現(xiàn)。
作者分析了參考答案在上下文中的對應(yīng)位置對模型性能的影響，結(jié)果如下圖所示。作者在需要部分上下文的四個任務(wù)上進行實驗，發(fā)現(xiàn)在長篇故事問答和長對話記憶這兩個任務(wù)中，“Lost in the middle” 這一現(xiàn)象較為明顯。
下面的兩張圖展示了 GPT-4-Turbo 與 Moonshot-v1 在新聞標(biāo)注這個任務(wù)中不同位置與不同深度的分類準(zhǔn)確率的可視化分析?？梢园l(fā)現(xiàn)，Moonshot-v1 的表現(xiàn)更加穩(wěn)定。
更多實驗結(jié)果以及分析請參考原文。
本文轉(zhuǎn)自 PaperWeekly ，作者：讓你更懂AI的
