---
type: reference
tags:
  - llm-evaluation
  - evaluation-guidebook
  - yearly-dives
status: active
created: 2026-08-21
source: https://github.com/huggingface/evaluation-guidebook
---

# Yearly Dives —— 年度深度文章（2023–2025）

> 本页提炼自 HuggingFace Evaluation Guidebook 的 `yearly_dives/` 三个文件（2023 / 2024 / 2025 各一篇年度深度文章），用中文概括其核心观点、数据与讨论话题。文中保留原文的具体链接、论文、模型名、benchmark 名与关键数字，**不补充原文没有的内容**；论文编号（如 2302.04844）均为 arXiv 号，链接统一放在各条目内。回到原文请见文末「参考资料」。

## 2023：开源 LLM 之年（Year of open LLMs）

> 原文：`yearly_dives/2023-year-of-open-source.md`，首发于 HuggingFace 博客 [2023-in-llms](https://huggingface.co/blog/2023-in-llms)。

### 写作背景与立场

- Hugging Face 关注开源模型，因为开源让研究可复现、让社区能参与 AI 开发、便于审查模型偏见与局限，并通过复用 checkpoint 降低领域整体碳排放（[更多好处见论文 2302.04844](https://huggingface.co/papers/2302.04844)）。
- 范围说明：本文**不讨论代码模型**。
- 文章目标：做一次开源 LLM 的年度回顾（retrospective）。

### 预训练大模型的"配方"（Recipe）

先讲清楚"大模型从哪来"（熟悉可跳过）：

- **架构（architecture）**：模型的具体实现与数学形态——所有参数及其与输入交互的方式。当下大多数高性能 LLM 都是 decoder-only Transformer 的变体（[原始 Transformer 论文 1706.03762](https://huggingface.co/papers/1706.03762)）。
- **训练数据集**：模型学习的全部样本与文档，决定了学到的具体模式。内容通常是自然语言（法/英/中文等）、编程语言（Python、C 等）、或任何可用文本表达的结构化数据（markdown/latex 表格、公式等）。
- **分词器（tokenizer）**：把文本转成数字的方式，切成 token（词、子词或字符）。词表大小通常 32k–200k。数据集规模常用 token 数衡量，如今从数千亿到数万亿 token。
- **训练超参数**：决定模型如何学习——参数该为每个新样本变多少？模型该多快更新？
- 选定后还需要：① 大量算力 ② 负责训练与监控的（善良且称职的）人。
- 训练产物是**权重（weights）**——即人们讨论"开源预训练模型"时通常指的东西；权重用于**推理（inference）**（对新输入做预测、生成文本）。
- 预训练后可做**微调（fine-tuning）**：在更小、更专业的数据上继续训练以适配特定应用。成本（算力/金钱/环境）远低于从零训练——这正是高质量开源预训练模型价值巨大的原因：算力有限的从业者也能自由使用和基于它构建。

### 2022：从"规模竞赛"到"数据竞赛"

#### 2022 年及以前的开源模型格局

- 直到 2022 年初，ML 的趋势是：模型越大（参数越多）性能越好；超过特定规模阈值后能力跃升——两个概念被命名为 `emergent abilities`（涌现能力）与 `scaling laws`（缩放定律）。
- 2022 年发布的开源预训练模型族基本遵循这一范式，具体如下表：

| 模型族 | 发布方 | 最大规模 | 训练数据 | 要点 |
|---|---|---|---|---|
| BLOOM | BigScience（HF 协调） | 176B 参数 | 350B token，46 种人类语言 + 13 种编程语言 | 当时最大开源多语言模型 |
| OPT | Meta | 175B 参数 | 180B token，多数公开来源 | 性能与 GPT-3 相当，算力更省 |
| GLM-130B | 清华 + 智谱 AI | 130B 参数 | 400B token（The Pile、Wudao 等中英数据） | 性能与 GPT-3 相当 |
| Galactica | Meta | 最高 120B | 106B token 科学文献 | 面向科学的专业模型 |
| GPT-NeoX-20B | EleutherAI | 20B | 500B token | 架构/权重/数据全开源 |

- **BLOOM**（[论文 2211.05100](https://huggingface.co/papers/2211.05100)）：BigScience 是约 1000 名研究者、60 国、250 机构参与的合作项目，与法国 GENCI/IDRIS 合作。decoder-only + 微小改动（post embedding normalization、ALiBi 位置编码）。大部分训练数据连同来源、策展、处理细节一起公开。
- **OPT**（[论文 2205.01068](https://huggingface.co/papers/2205.01068)）：decoder-only，沿用 GPT-3 论文技巧（特定权重初始化、pre-normalization），注意力改为 dense 与 locally banded attention 交替；数据来自图书、Reddit、新闻、Wikipedia 等。
- **GLM-130B**（[论文 2210.02414](https://huggingface.co/papers/2210.02414)）：full transformer + DeepNorm post-layer-normalization + rotary embeddings；数据含 The Pile、Wudao Corpora 及其他中文语料。
- **Galactica** 与 **GPT-NeoX-20B**：多为研究目的发布（GPT-NeoX 提供完整科研产物，RoPE + 注意力/初始化改动）。
- **昂贵的大模型**：100B 参数模型加载通常需约 **220GB 内存**，绝大多数组织与从业者无法企及。

#### Chinchilla 范式转变

- 2022 年 3 月 DeepMind 论文（[2203.15556](https://huggingface.co/papers/2203.15556)）研究：给定算力预算，token 数与参数数的最优比例是多少？
- 结论：对平均算力预算，模型应**更小但训练数据更多**。
- 其模型 Chinchilla（不开源）：70B 参数（约为上述模型的 1/3），却训练在 1.4T token（3–4 倍数据），性能持平或更好。
- 这一转变"席卷"了开源科学社区（闭源实验室或许早已知道）。

### 2023：开源发布之年

#### 小型 LLM 的崛起

- 2023 年出现一波 decoder transformer 浪潮，新预训练模型从每月、到每周甚至每天发布：

| 月份 | 模型 / 发布方 |
|---|---|
| 2 月 | LLaMA（Meta） |
| 4 月 | StableLM（StabilityAI）、Pythia（EleutherAI） |
| 5 月 | MPT（MosaicML） |
| 6 月 | X-GEN（Salesforce）、Falcon（TIIUAE） |
| 7 月 | Llama 2（Meta） |
| 8 月 | StableLM v2（StabilityAI） |
| 9 月 | Qwen（阿里）、Mistral（Mistral.AI） |
| 11 月 | Yi（01-ai） |
| 12 月 | DeciLM（Deci）、Phi-2、SOLAR（Upstage） |

- 共同点：a) 发布权重（许可证开放程度不一）b) 小尺寸（3B–70B）性能良好，被社区迅速采用。
- 架构共性：几乎都是 decoder transformer 变体（ALiBi/RoPE、RMS pre-normalization、SwiGLU），注意力有 Flash-Attention、GQA、sliding windows 等改动，代码库实现各异（优化训练或推理速度）。
- 既然架构与权重都公开，核心差异只剩**训练数据与许可证**。

#### 主要模型逐个看

- **LLaMA**（Meta AI，[论文 2302.13971](https://huggingface.co/papers/2302.13971)）：在给定算力预算下追求最佳性能；首次显式同时考虑训练预算与**推理成本**——用更小模型 + 更多数据 + 更多训练步数换更高性能（牺牲训练算力效率）。最大 65B / 1.4T token，6B 与 13B / 1T token。13B 在多数 benchmark 上超过 GPT-3，最大版本发布时 SOTA。但权重为**非商用许可证**，限制了社区采用。
- **Pythia**（EleutherAI，[论文 2304.01373](https://huggingface.co/papers/2304.01373)）：不同尺寸的[模型套件](https://huggingface.co/collections/EleutherAI/pythia-scaling-suite-64fb5dfa8c21ebb3db7ad2e1)，完全公开数据训练，用于研究 LLM 训练各阶段。
- **MPT**（MosaicML，[博客](https://www.mosaicml.com/blog/mpt-7b)）：性能接近但**许可证允许商用**，且公开训练数据构成。首个 [7B](https://huggingface.co/mosaicml/mpt-7b)，6 月跟进 30B，均 1T token（C4、CommonCrawl、The Stack、S2ORC）。
- **Falcon**（TIIUAE）：[7B/30B](https://huggingface.co/tiiuae/falcon-7b)，1–1.5T token 英语与代码（RefinedWeb、Project Gutenberg、Reddit、StackOverflow、GitHub、arXiv、Wikipedia 等），年底发布 180B。数据与训练流程有技术报告及[后续论文 2311.16867](https://huggingface.co/papers/2311.16867)。
- **StableLM**（StabilityAI）：继承 GPT-NeoX，3B/7B，1.5T token（ThePile 实验数据集）；v2 系列混入 RefinedWeb、RedPajama、ThePile 及未公开数据；另有 3B 的 [StableLM-3B-4e1T](https://huggingface.co/stabilityai/stablelm-3b-4e1t) + [详细技术报告](https://stability.wandb.io/stability-llm/stable-lm/reports/StableLM-3B-4E1T--VmlldzoyMjU4?accessToken=u3zujipenkx5g7rtcj9qojjgxpconyjktjkli2po09nffrffdhhchq045vp0wyfo)。
- **转折点**：早期发布公开数据；此后发布几乎**不提供训练数据信息、不可复现**，但通过权重为社区提供起点。
- **X-Gen**（Salesforce，[论文 2309.03450](https://huggingface.co/papers/2309.03450)）：7B，1.5T token "natural language and code"，分步训练 + 数据调度（不是所有数据同时进入）。
- **LLaMA-2**（Meta，[论文 2307.09288](https://huggingface.co/papers/2307.09288)）：7–70B，2T token "公开来源"，permissive 社区许可证 + 大规模 RLHF 人类偏好微调（alignment）。安全是突出卖点。
- **Mistral-7B**（新创公司 Mistral，[论文 2310.06825](https://huggingface.co/papers/2310.06825)）：训练 token 数与来源未公开（"extracted from the open Web"）。年底另有更大尺寸的 **Mixtral 8x7B**。
- **DeciLM**（Deci.AI）与 **SOLAR 10.7B**（Upstage）：同样未公开数据来源与数量；这些模型在排行榜与开源 benchmark 上稳步提升。
- **中国模型的崛起**：年底一批双语（中英）开源模型性能领先——**Qwen**（阿里，[论文 2309.16609](https://huggingface.co/papers/2309.16609)，7–70B，2.4T token）、**Yi**（01-AI，6–34B，3T token），在 [Open LLM Leaderboard](https://huggingface.co/spaces/HuggingFaceH4/open_llm_leaderboard) 与最难的 benchmark（如 [Skill-Mix 2310.17567](https://huggingface.co/papers/2310.17567)）上都更进一步；**DeepSeek** 编码模型从零训练，2T token，87% 代码 + 13% 中英自然语言（基本是代码模型）。

#### 对话模型遍地开花

- 相比 2022，2023 年几乎所有预训练模型都同时发布对话微调版本，凸显大众对 chat 模型的使用增长，以及"聊天式手工评测（vibe-check）"的流行。
- 主要适配方法（变体很多）：

| 方法 | 原理 | 特点/成本 |
|---|---|---|
| Chat-based fine-tuning | 在对话数据（多轮、社交网络风格）上监督微调，decoder 逐 token 自回归 | 实现简单，需对话数据集 |
| Instruction fine-tuning（IFT） | 用指令数据集（query + 答案）教模型遵循指令 | 数据可人工或 LLM 生成 |
| 蒸馏（distillation） | 用高性能模型（如 GPT-4）的输出做合成数据集再微调 | 大规模合成数据的常用方式 |
| RLHF | 生成多答案 → 人类排序 → 训练偏好模型 → 强化学习微调 | 成本高，多用于安全对齐 |
| RLAIF | 用高质量 LLM 而非人类排序 | RLHF 的廉价变体 |
| DPO | 直接优化：对齐模型同时就是偏好模型，用偏好数据更新 | 无单独偏好模型，性能相当 |

- 参考资料：对话/指令微调入门见 [dialog-agents 博客](https://huggingface.co/blog/dialog-agents)；RLHF 见 [RLHF 博客](https://huggingface.co/blog/rlhf)、[原始 RLHF 论文 1909.08593](https://huggingface.co/papers/1909.08593)、[Anthropic RLHF 论文 2204.05862](https://huggingface.co/papers/2204.05862)。
- 落地情况：MPT-7B 有 instruct 与 chat 版，Falcon、XGen 年末出 instruct 版，Llama-2、Qwen、Yi 有 chat 版，DeciLM 有 instruct 版。

#### 社区做了什么

围绕基础模型，微调社区在 Reddit、Discord、HF Hub、Twitter 上自发繁荣；社区模型发布频繁，同时催生大量新数据集。

**早期（2023 年初前）的数据集**

- 人类偏好类：WebGPT（OpenAI）、HH-RLHF（Anthropic）、Summarize（OpenAI）。
- 指令类：P3（BigScience，Public Pool of Prompts）、FLAN 1/2（Google）、Natural Instructions（AllenAI）、Self Instruct（自动生成指令框架）、SuperNatural instructions（专家构建，常作微调数据）、Unnatural instructions（特拉维夫大学 + Meta 自动生成）。

**2023 全年社区事件时间线**

| 季节 | 事件 / 数据集 / 模型 |
|---|---|
| ❄️ 冬（2022/23） | 1 月 HC3（人类 vs 模型回答）；3 月 Alpaca（Stanford，52K 指令）、OIG（LAION，43M 指令）、Vicuna（LMSYS，ShareGPT 对话）、Guanaco（+500K 多语言条目） |
| 🌱 春 | 4 月 Koala（BAIR）、Dolly（DataBricks，15K 人工指令）；5 月 UltraChat（1.5M 对话）与 UltraLLaMA、GPT4-LLM；6 月 Orca（推理轨迹构造指令）、Open Orca、Camel-AI 多主题数据集、Airoboros 框架 |
| 🌻 夏 | 8 月 UltraLM（OpenBMB）；9 月 UltraFeedback（GPT-4 标注偏好）、OpenChat（清华，新 RL 策略）、Intel orca_dpo_pairs；夏天 NousResearch 多个微调（Hermes、Capybara） |
| 🍂 秋 | 10 月 Zephyr（HF，DPO + AIF）、OpenHermes 2（900K 条目）、LMSYS-Chat-1M（25 个 LLM 真实对话）；11 月 OpenBuddy-Zephyr、Notus（Argilla）、HelpSteer（NVIDIA）、Orca-2（Microsoft）、Neural Chat（Intel）；12 月 Starling（Berkeley，RLAIF）+ Nectar（200K 对比） |

- 细节补充（冬季）：Alpaca 是第一个指令跟随 LLaMA（7B），52K 条 LLM 生成指令；Vicuna（13B）用 ShareGPT 上用户分享的 ChatGPT 对话微调。
- 细节补充（春季）：Koala 用 Alpaca/HH-RLHF/WebGPT/ShareGPT 微调；Orca 方法很快被社区复现为 Open Orca（数百万条，用于微调 Llama、Mistral 等）。
- 细节补充（夏季）：UltraFeedback 是 GPT-4 标注的偏好数据集；Intel 发布 Orca 风格 DPO 数据集。
- 细节补充（秋季）：Zephyr 是 Mistral 在 UltraChat/UltraFeedback 上用 DPO + AIF 微调；Notus 是 Zephyr 的 DPO 微调；HelpSteer 提供 prompt + 回答 + 多标准打分；Orca-2 是 Llama 2 + 新合成推理数据集。
- 专项数据集（不展开）：MetaMath、MathInstruct、Evol-Instruct、CodeAlpaca、CodeCapybara 等；汇总见 [awesome instruction datasets](https://github.com/jianzhnie/awesome-instruction-datasets)。

### 民主化访问（Democratizing access）

- 注：llama.cpp、ollama、text-generation-inference、vllm 等推理/部署工具不在本文范围。

#### 模型合并（Model merging）：极致定制

- 定义：把多个模型权重融合成一个，理想情况结合各自优势。
- 方法：简单平均共同架构模型的参数（[例 1 2204.03044](https://huggingface.co/papers/2204.03044)、[例 2 2109.01903](https://huggingface.co/papers/2109.01903)）；更复杂的有按任务加权平均（[2111.09832](https://huggingface.co/papers/2111.09832)）、考虑参数间干扰再选择的 ties merging（[2306.01708](https://huggingface.co/papers/2306.01708)）。
- 综述见 [model merging 论文集合](https://huggingface.co/collections/osanseviero/model-merging-65097893623330a3a51ead66)。
- 后果：Open LLM Leaderboard 上出现 `llama2-zephyr-orca-ultra` 这类名字；数据与模型历史难追踪（参见 Mistral 的 [child models tree](https://huggingface.co/spaces/davanstrien/mistral-graph)）。
- 这是"完全去中心化研究"的典型：方法多发表在社区论坛，由全球实践者/研究者/爱好者共同推进。

#### PEFT：指尖上的个性化

- 定义：冻结预训练模型参数，在其上加少量新参数（adapters），只训练轻量 adapter。
- 好处：内存不够加载整个模型微调时也能个性化；共享时只需共享 adapter + 基础模型。
- 方法列表见 [huggingface/peft](https://github.com/huggingface/peft)。

#### 量化（Quantization）：模型随处可跑

- 背景：30B 模型仅加载就需 66G+ RAM，不是人人都有这样的硬件。
- 原理：降低参数精度（float32/float16/int8 等）减小体积与内存；精度越低内存越小，但计算精度降低可能损伤性能——大模型上性能损失通常很[有限](https://huggingface.co/blog/overview-quantization-transformers)。
- 数字示例（30B 模型）：float16 略小于 66G RAM，8bit 约 33G，4bit 约 16G。
- 常用方法：bitsandbytes（[2208.07339](https://huggingface.co/papers/2208.07339)）、GPTQ（[2210.17323](https://huggingface.co/papers/2210.17323)）、AWQ（[2306.00978](https://huggingface.co/papers/2306.00978)）。
- 社区角色：如 [TheBloke](https://huggingface.co/TheBloke) 专门把流行模型转成低精度版本供社区使用。
- 原文评价：这些方法都很新、仍在发展，期待更多进展。

### 接下来是什么？（2023 年底）

- **MoE（混合专家）**：**Mixtral** 由 8 个子模型（transformer decoder）组成，router 为每个输入挑选 2 个最优子模型并求和输出。
- **状态空间模型**（通过潜在空间做输入输出映射，可表达为 RNN 或 CNN；入门见 [Annotated S4](https://srush.github.io/annotated-s4/)）：
  - **Mamba**（[2312.00752](https://huggingface.co/papers/2312.00752)）：状态空间模型 + 选择机制。
  - **Striped Hyena**（[HF 模型页](https://huggingface.co/togethercomputer/StripedHyena-Nous-7B)）：状态空间模型 + 快速卷积核。
- 是否取代 Transformer 还太早下结论，但状态空间模型很有前景。

### Takeaways（要点）

1. 各类参与者（大公司、初创、研究实验室）的开源发布大幅增长，社区以前所未有的速度实验与探索。
2. 开放性有起有伏：年初发布很开放（数据构成、权重、架构），年末发布对训练数据讳莫如深、不可复现。
3. 开源模型从许多新地方涌现，包括中国，多个新参与者成为强竞争者。
4. 个性化手段达到新高：RLHF、adapters、模型合并——都还只是开始。
5. 更小模型 + 量化进步让 LLM 真正走近更多人。
6. 新架构出现——它们会最终取代 Transformer 吗？

---

## 2024：聊聊 LLM 评测（ICLR 2024 上的讨论与反思）

> 原文：`yearly_dives/2024-evals-thoughts-from-iclr.md`，首发于 [HuggingFace 博客](https://huggingface.co/blog/clefourrier/llm-evaluation)。

### 背景

- 作者（Hugging Face 评测与排行榜团队成员）在 ICLR 2024 与大量与会者交流后，意识到很多自己"习以为常"的评测观念并不普及且引人兴趣，于是把讨论整理成文。
- 文章的自我定位：把这些对话"更广泛地分享"出来。

### 评测的三种方式

当前主要有三种评测方式：**自动化基准（automated benchmarking）**、**人类作评委（humans as judges）**、**模型作评委（models as judges）**。

| 方式 | 代表做法 | 主要优点 | 主要问题 |
|---|---|---|---|
| 自动化基准 | 任务/能力 + 样本 + 指标 | 便宜、可复现、任务层面有信号 | 污染、能力难定义、评分受 prompt 等细节影响 |
| 人类作评委 | vibe-checks、arena、系统化标注 | 灵活、规避污染、贴近人类偏好 | 贵、小规模不可复现、心理偏差 |
| 模型作评委 | 通用强模型或专用判别模型 | 便宜、可扩展 | 微妙且不可解释的偏差、自偏爱 |

各有其存在理由、用途与局限，下面分述。

### 自动化基准（Benchmarks）

#### 基本构成

- 先定义评测对象：具体**任务**（如"垃圾邮件分类"）或抽象**能力**（如"数学好不好"）。
- 评测由两部分组成：**样本集** + **指标（metric）**。
  - 样本集：输入给模型看输出，必要时带参考（gold）对比；样本通常尽量模拟目标场景（含困难边界用例）。
  - 对 LLM 主要是两种：**生成式评测**（归一化后与参考文本比较）与**多选式评测**（比较 prompt 后各候选续写的相对 log-probability）。
  - 指标：为模型算分的方式（如分类正确率，答对=1、答错=0）。

#### 泛化与过拟合

- 应优先在**未进入训练集**的数据上评测——测试**泛化**能力。
- 只能预测训练数据称 **overfitting（过拟合）**；次极端情况也要测对分布外模式的泛化（如只见过"假银行"垃圾邮件，要能泛化到"保健品"垃圾邮件）。

#### 已知问题

- 对定义明确的任务很有效；LLM 场景的问题：
  - 多选评测中模型会[按选项呈现顺序偏好特定选项](https://arxiv.org/abs/2309.03882)。
  - 生成式评测的归一化[设计不好就不公平](https://huggingface.co/blog/open-llm-leaderboard-drop)。
  - 但任务层面仍有信号。
- 能力很难分解成精确定义的任务（"数学好"指算术、逻辑还是概念推理？），于是做**整体式（holistic）评测**：假定通用样本上的表现是目标能力的**好代理**。
  - 例：GSM8K 是真实高中题，解题需要整套能力，失败与成功都难解释。
  - 更抽象的能力（写诗、答案有用性）更难自动评测；而模型越来越**通才化**，需要更广的评测。
  - 例：学界争论 LLM 到底[会不会画独角兽](https://arxiv.org/abs/2303.12712)——多数情况不会，但值得研究。

#### 污染（contamination）

- 定义：评测数据集进入训练集；被污染的模型 benchmark 分高但泛化差（详述见 [2023.findings-emnlp.722](https://aclanthology.org/2023.findings-emnlp.722/)，趣味检测方法见 [2311.06233](https://arxiv.org/abs/2311.06233)）。
- 缓解手段：
  - BigBench 的 **canary string**（特定字符组合供人识别并剔除），但并非所有人都知道或照做。
  - [加密形式提供](https://arxiv.org/pdf/2309.16575)、[门控访问](https://huggingface.co/datasets/Idavidrein/gpqa)。
  - 但黑盒 API 评测无法保证数据不被内部用于训练/微调。
- 应对：**动态基准**（[2104.14337](https://arxiv.org/abs/2104.14337)，定期刷新数据，在系统性未见的新数据上打分），但长期成本高。

### 人类作评委（Human as a judge）

- 做法：让人类先 prompt 模型，再按指南给模型答案打分或对多个输出排序。
- 优点：可评测更复杂开放的任务、比自动指标灵活；prompt 是新写的，基本规避污染；与人类偏好天然相关（评的正是这个）。

#### 三种人类评测路径

- **Vibe-checks**：社区成员用未公开 prompt 手工感受模型质量（范围从编码到"烂文质量"，也有人称 canary-testing，取自矿井金丝雀）。
  - 常在 Twitter/Reddit 分享，属轶事证据、易受确认偏差影响（人们往往找到自己想找的）。
  - 但也有系统性做法，如用户 Wolfram Ravenwolf 的[模型对比博客](https://huggingface.co/blog/wolfram/llm-comparison-test-llama-3)。
- **Arena（竞技场）**：用社区反馈做大规模模型排名，如 [LMSYS Chatbot Arena](https://huggingface.co/spaces/lmsys/chatbot-arena-leaderboard)——用户盲聊，发现更好的就投票，投票聚合成 **Elo 排名**。
  - 问题：主观性强，宽泛指南难以让众多社区成员稳定打分。
  - 标注者偏好有[文化差异](https://arxiv.org/abs/2404.16019v1)（不同人偏好不同话题）。
  - 寄望"群众智慧"（Galton 的"猜猪重"统计故事：个体估计围绕真实值呈概率分布）在大规模投票下平滑掉偏差。
- **系统化标注**：给付费精选标注者极具体指南，尽量去除主观偏差（ScaleAI 等标注公司的做法，见 [Scale 指南](https://scale.com/guides/data-labeling-annotation-guide#hight-quality-data-annotations)）。
  - 问题：持续、非自动化地评测会很快变得极贵。
  - 仍可能有人类偏差：[2205.00501](https://arxiv.org/abs/2205.00501) 显示不同身份者对模型答案毒性打分差异很大。

#### 人类评委的已知偏差

- 评测者倾向按**第一印象**而非实际事实性/忠实性估质量（[2309.16349](https://arxiv.org/pdf/2309.16349)）：
  - 众包标注者对语气敏感、会低估自信语气答案中的事实/逻辑错误。
  - 模型用自信语气说错话，人类更不容易察觉，评分会偏向更"自信"的模型。
  - 专家标注者更不易受影响。
- 人类更偏好**迎合自己观点或与自己的错误一致**的答案，而非事实正确的答案（[2310.13548](https://arxiv.org/pdf/2310.13548)）。
- 启示：需要事实性的任务（写代码、模型知识评测等）不应只依赖众包非专家人工标注，应叠加更稳健的评测方式。

### 模型作评委（Model as a judge）

- 动机：降低人工标注成本。2019 年已有用[模型嵌入测摘要质量](https://arxiv.org/abs/1904.09675)的技术，此思路并不新。
- 两种打分方式：
  - 用**通用高能力模型**（[2306.05685](https://arxiv.org/abs/2306.05685v4)）：与人类偏好相关性好，但够强的模型多为闭源，API 背后会变、不可解释。
  - 用**专门从偏好数据训练的小型判别模型**（[2405.01535](https://arxiv.org/pdf/2405.01535)）。
- 已知局限：
  - 评分时[偏爱自己的输出](https://arxiv.org/abs/2404.13076)。
  - 分数范围不一致（可让模型[先解释推理再打分](https://twitter.com/seungonekim/status/1749289437165769177)改善）。
  - 与人类排名[并不一致](https://arxiv.org/pdf/2308.15812)。
- 作者的个人担忧：模型作评委会在答案选择中引入**微妙且不可解释的偏差**——类比遗传学中过度杂交产生缺陷后代，用 LLM 选择和训练 LLM，很可能在若干代后放大微小变化；小型专用模型（如毒性分类器）风险较低，但尚待严格验证。

### 为什么要做评测？——三个被混淆的目的

作者认为评测有三个**截然不同**的目的，常被混为一谈，各自回答不同问题：

| 目的 | 回答的问题 | 关键做法 | 作者的观点 |
|---|---|---|---|
| 非回归测试 | 我的训练对吗？ | 看分数轨迹与区间 | 不关心精确分数，只要"没坏" |
| 排行榜与排名 | 哪个模型最好？ | 找稳定一致的排名 | 分数不可靠，排名更稳 |
| 领域能力水平 | 我的模型能做 X 吗？ | 定义能力 + 找代理任务 | 目前无法真正评测"通用能力" |

#### 1) 非回归测试（non-regression testing）

- 概念源自软件工程：加新功能或修 bug 后，确认没破坏整体行为。
- 对训练：确认训练设置变更（数据、架构、参数等）没有"破坏"同属性模型的预期性能。
- 看两点：① 分数**轨迹**（是否比开始时好）② 分数**区间**（是否在预期范围）。
  - 例：7B 基础模型 MMLU 预期 50–65；20–30 说明没学到东西。
- 你其实……不关心精确分数。
  - 甚至只看文本 perplexity 变化都可能够。
  - 但通常要"信噪比"高的 benchmark（大分数变化反映大模型变化）。

#### 2) 排行榜与排名（Leaderboards and rankings）

- 作用：排序选型——排行榜第一的不适合你的用例，第二名多半也不行。
- ImageNet 时代的经验论文（[2404.02112](https://arxiv.org/pdf/2404.02112)）主张：分数易不稳定，唯一稳健方式是**排名**，且要找能给出稳定一致排名的**大类评测组**。
- 作者团队也发现：LLM 分数对 prompt 细节[极其敏感](https://huggingface.co/blog/evaluation-structured-outputs)，人类评测也不更一致——而**排名**在稳健评测方法下更稳定。
- ICLR 2024 评测 plenary 上 Moritz Hardt 的扰动实验：
  - 给 Open LLM Leaderboard 做微小分数扰动（在分数区间内）。
  - 给 Chatbot Arena 加一个差选手看 Elo 排名变化。
  - 结论：**两者当前都无法提供稳定一致的排名**（未来版本的 Open LLM Leaderboard 会探索这一点）。

#### 3) 领域整体能力水平？（Can my model do X?）

- "你怎么知道模型能做 X？"是个常见且合理的问题。
- 但对任何复杂能力，目前只能说："该模型在这个任务上最好，而这个任务我们希望是能力的代理，**但没有保证**。"
- ML 领域严重缺乏"能力"的定义与框架（推理、心智理论尤甚）；但这并非 ML 独有——人类/动物研究里定义能力也很难（IQ、EQ 争议不断）。
- 或许该借鉴社会科学（那里习惯严肃对待数据收集与分析中的混淆变量）。
- 但作者也认为：1) 这些宽泛能力可能根本无法定义（人类与动物目前也没定义出来）2) 面向人的框架未必能迁移到模型（底层行为与假设不同）。

### 结论

- 现状归纳：
  - 自动基准：受污染与"不通用"影响（后者未必是坏事，专项评测也有价值）。
  - 人工评测：小规模下可复现性差、总体有心理偏差（如偏好谄媚答案），大样本下或许部分平滑。
  - 模型作评委：偏差微妙，可能悄悄扰动下游。
- 仍有信号：非回归测试（分数落在预期区间）与足够稳定的排名能告诉我们新训练方法/数据集是否有前途；跨主题与任务攒够数据点也能对整体性能有大致把握——但**不能**据此假设任何"通用能力"。
- 与炒作相反，目前**无法**真正评测"通用模型能力"，首先因为还没定义它是什么。
- LLM 评测作为研究领域还处在婴儿期，可从机器学习可解释性（如 [transformer-circuits 的 scaling monosemanticity](https://transformer-circuits.pub/2024/scaling-monosemanticity/index.html)）到社会学跨界汲取灵感，跨学科工作很可能开辟新方向。

### 致谢（提及的交流者）

- Summer Yue（Scale AI）、Moritz Hardt（马普所）、Luca Soldaini 与 Ian Magnusson（Allen AI）、Ludwig Schmidt（Anthropic）、Max Bartolo（Cohere）、Maxime Labonne（Liquid AI）、François Charton（Meta）、Alan Cooney（UK AI Safety Institute）、Max Ryabinin（Together AI）。
- Hugging Face 的 Yacine Jernite、Irene Solaiman 与评测/排行榜团队（尤其 Nathan Habib）。

---

## 2025：评测要超越简单基准，构建真正可用的模型

> 原文：`yearly_dives/2025-evaluations-for-useful-models.md`（原文标题：Evals in 2025: going beyond simple benchmarks to build models people can actually use）。

### 核心论点

- 目标应是构建"**工作得好（work well）**"的模型而非"智能"的模型——对人们有用且高效的工具体现为更好的成功度量，而非追求"通用智能"替人解决问题（顺带制造一串新问题）。
- 现实依据：Anthropic [经济指数报告](https://www.anthropic.com/research/anthropic-economic-index-september-2025-report)与 OpenAI [ChatGPT 使用研究](https://cdn.openai.com/pdf/a253471f-8260-40c6-a2cc-aa93fe9f142e/economic-research-chatgpt-usage-paper.pdf)显示 LLM 当前最常见的用途是**助手**：写代码、行政支持等；模型今年在通用 agent 用例上取得进展。
- 好助手应做到：面对 query 处理指令**歧义**、构建**逐步计划**、正确识别所需**资源**、不跑偏地执行计划、按需**调用工具**、执行中适应**意外事件**与新信息、且全程**不胡编（without bullshitting）**。
- 所需能力组合：逐步"推理"、长上下文记忆管理、适应性、低幻觉率，外加数学/代码/工具调用能力。
- 规模观察：**7B 的模型就能当好 agent 助手**（但再小到 3B 以下会碰到能力壁垒）。
- 评测方法需**分层**：开发期测**单一能力**、在现实任务上测**集成表现**、在动态环境中探**适应性**。

### 单一能力评测（Testing specific capabilities）

> 注意：若用下列评测来挑选/验证训练方法，最终报告这些指标会略有偏置（训练方法已被导向这些结果）。适合训练中取信号与对比 base/预训练模型。

#### 推理与常识（Reasoning and commonsense）

- 背景：这类数据集多为 BERT/嵌入模型时代建的"历史"数据集——当年有挑战性（常针对当时模型对抗式构造），现在 1) 太简单 2) 污染/饱和。
- 定位：只适合**消融或预训练评测**。
- 质量问题：大型数据集常经 MTurk 快速低成本构建，含错误或低质量问题（现在改用 LLM 生成评测题）。

| 数据集 | 年份 | 说明（链接） |
|---|---|---|
| ARC | 2018 | 小学科学 MCQA，选择对当时的词共现系统对抗式构造；高质量的 `challenge` 子集今天仍用于预训练（[1803.05457](https://arxiv.org/abs/1803.05457)；勿与 ARC-AGI 混淆） |
| WinoGrande | 2019 | 众包（MTurk + 校验）代词消解/填空，对抗式配对；2022–2023 前对模型一直很难（[1907.10641](https://arxiv.org/pdf/1907.10641)） |
| HellaSwag | 2019 | 从对抗候选中选正确下一句；文本来自 ActivityNet 字幕与 Wikihow 教程，常需物理常识 grounding；Swag 的后继（[1905.07830](https://arxiv.org/abs/1905.07830)） |
| CommonsenseQA | 2018 | 基于 ConceptNet 的常识 MCQA，干扰项用概念相近选项（[1811.00937](https://arxiv.org/abs/1811.00937)） |
| PIQA | 2019 | 物理常识题，源自 Instructables.com，对抗选项来自语义扰动/改写（[1911.11641](https://arxiv.org/abs/1911.11641)） |
| OpenBookQA | 2018 | 提供 open book 事实辅助答题，但题目仍需潜在常识知识（[1809.02789](https://arxiv.org/abs/1809.02789)） |

#### 知识（Knowledge）

- **MMLU**（2020，[2009.03300](https://arxiv.org/abs/2009.03300)）：主要知识评测集，已饱和/污染；深入检查发现多种问题——残缺问题（引用不存在的文档）、错误 ground truth、歧义问题、明显的美国中心主义选题。

| 数据集 | 年份 | 说明（链接） |
|---|---|---|
| MMLU-Redux | 2024 | MMLU 的清洗版（[2406.04127](https://arxiv.org/abs/2406.04127)） |
| MMLU-Pro | 2024 | 更多复杂题与答案，社区当前主要替代品（[2406.01574](https://arxiv.org/abs/2406.01574)） |
| Global-MMLU | 2024 | MMLU 翻译 + 文化偏差标注（[2412.03304](https://arxiv.org/abs/2412.03304)） |
| GPQA | 2023 | 生物/化学/物理博士级定制题，只有对应领域博士生能答；最常用 `diamond` 子集，2023 发布以来也开始污染（[2311.12022](https://arxiv.org/abs/2311.12022)） |
| Humanity's Last Exam（HLE） | 2024 | 2.5K 专家众包跨领域题，需复杂知识与推理；基本私密、尚未被"打穿"（[agi.safe.ai](https://agi.safe.ai/)） |

- HLE 的问题：无法快速按 ground truth 打分，大家改用 **LLM judge** 评估答案 → 野外结果不可比。
- 用途：MMLU 系列多用于**预训练评测与消融**；后训练用更硬的 GPQA/HLE。
- 作者预测"潜在知识"评测将逐步淡出（训练期仍可用 MMLU-Pro、后训练用 GPQA/HLE），两个原因：
  1. 对人类越来越**不可读**：题太难，非专家无法理解每题的意义（也无法核查数据集本身有没有错）。
  2. 模型连上工具（如联网）后，潜在知识评测逐渐变成**搜索与检索评测**——从闭卷考试走向开卷考试（类比法国教育：高中闭卷，大学假设可查数据库/网络，评分更多看"给自由信息后的推理"）。

#### 数学（Math）

- 数学评测长期被当作推理与逻辑的代理。
- 参考集：**GSM8K**（2021，[2110.14168](https://arxiv.org/abs/2110.14168)，小学应用题）与 **MATH**（2021，[2103.03874](https://arxiv.org/abs/2103.03874)，网上奥林匹克题聚合），近年已饱和/污染。

| 数据集 | 年份 | 说明（链接） |
|---|---|---|
| GSM1K | 2024 | GSM8K 重做 1K 新题，测哪些模型在 GSM8K 上污染（[2405.00332](https://arxiv.org/abs/2405.00332)） |
| GSM-Plus | — | GSM8K 对抗式改写：干扰项、数值变化等（[2402.19255](https://arxiv.org/pdf/2402.19255)） |
| GSM-Symbolic | 2024 | 把 GSM8K 改写成问题模板、可无限再生成防污染；用得少但很有意思（[2410.05229](https://arxiv.org/abs/2410.05229)） |
| MATH-500 | — | 500 题代表性子集，避免过拟合（[HF 数据集](https://huggingface.co/datasets/HuggingFaceH4/MATH-500)）；另有 MATH-Hard（最难的 500 题） |
| AIME 24/25 | 2024/2025 | 美国高中生奥赛，按发布年原样使用；每年题目难度相当，可用"发布年成绩 vs 上一年度题成绩"测污染（[24](https://huggingface.co/datasets/HuggingFaceH4/aime_2024)、[25](https://huggingface.co/datasets/math-ai/aime25)） |
| Math-Arena | — | 持续更新的竞赛/奥赛汇总，含 AIME25 及大量其他竞赛（[matharena.ai](https://matharena.ai/)） |
| FrontierMath | 2024 | 数学家为评测专门撰写的显著更难的题，理论私密（但 OpenAI 疑似接触过部分数据）（[2411.04872](https://arxiv.org/abs/2411.04872)） |

- 观察：大多数上述数据集已"没那么难"（止步小学水平，GSM-Symbolic 可生成更多递归层级的题使其合成地变难）；HLE 里也有需复杂推理（含定理证明）的数学题。
- 作者建议：预训练评测用 **AIME25 与 MATH-500**，后训练用 **Math-Arena**。

#### 代码（Code）

- 理由：agent 要与工具交互就需要编码能力（代码 agent 直接调工具；code/json agent 都要能调试工具输出，区别见 [agents course](https://huggingface.co/learn/agents-course/en/unit2/smolagents/tool_calling_agents)）；代码评测也是推理的好代理。

| 数据集 | 年份 | 说明（链接） |
|---|---|---|
| MBPP | 2021 | 1K 众包 Python 入门题（[2108.07732](https://arxiv.org/abs/2108.07732)） |
| APPS | 2021 | 10K 来自面试与分享网站的代码生成题（[2105.09938](https://arxiv.org/abs/2105.09938)） |
| HumanEval | 2021 | 随 Codex 发布、专为发布构造的题 + 防危险代码执行的沙箱 + `pass@k` 估计器（[2107.03374](https://arxiv.org/abs/2107.03374)） |
| EvalPlus（HumanEval+/MBPP+） | 2023 | 补测试用例、修 bug、加输入（[OpenReview](https://openreview.net/pdf?id=1qvx610Cu7)） |
| EvoEval | 2024 | HumanEval 语义改写 + 难度标注（[2403.19114](https://arxiv.org/abs/2403.19114)） |
| LiveCodeBench | 2024 | 记录题目日期，比较训练前后题目的表现——优秀的防污染基准（[2403.07974](https://arxiv.org/abs/2403.07974)） |
| AiderBench | 2024 底上线 | 用 Exercism 数据，专门测**代码编辑与重构**（[leaderboard](https://aider.chat/docs/leaderboards/)） |
| RepoBench | 2023 | 仓库级自动补全（Python/Java），跨文件/文件内函数，retrieval/completion/组合多层测试（[2306.03091](https://arxiv.org/abs/2306.03091)） |
| SWE-Bench | 2024 | GitHub 真实 issue 求解：逻辑理解、跨文件编辑与执行、长上下文推理；推荐高质量子集 **SWE-Bench verified**（[OpenReview](https://openreview.net/pdf?id=VTF8yNQM66)） |

- 作者建议关注 LiveCodeBench、AiderBench、SWE-Bench verified，并读 [METR 报告](https://metr.org/blog/2025-07-10-early-2025-ai-experienced-os-dev-study/) 了解真实代码助手有用性。

#### 长上下文（Long context）

- 背景：3 年前最大上下文还是 2048 token，现在普遍 128K 以上。

| 数据集 | 年份 | 说明（链接） |
|---|---|---|
| NIAH（Needle in a Haystack） | 2023 | 把随机事实放进长无关文本再检索；可评估模型在上下文何处、多长之后最易遗忘；2023 年表现很差，2025 年接近解决（[gkamradt 仓库](https://github.com/gkamradt/LLMTest_NeedleInAHaystack)） |
| RULER | 2024 | 多跳追踪（追踪变量链求值）、词频变化、NIAH 的 QA 变体；也接近解决（[2404.06654](https://arxiv.org/pdf/2404.06654)） |
| Michelangelo / MRCR | 2024 | 多轮共指：精确复现上下文唯一片段、识别相关信息是否存在、理解文本修改序列；OpenAI 2025 扩展为 [OpenAI MRCR](https://huggingface.co/datasets/openai/mrcr)（[2409.12640](https://arxiv.org/pdf/2409.12640v2)） |
| InfinityBench | 2024 | 中英多语言，100K token 合成数据，覆盖 QA、NIAH 式检索、超长上下文计算等；仍有信号（[2402.13718](https://arxiv.org/abs/2402.13718)） |
| HELMET | 2024 | 任务与现有基准的大聚合：RAG/QA（Natural Questions、TriviaQA、PopQA、HotpotQA、NarrativeQA、InfinityBench）、recall（RULER、JSONKV）、带引用的生成（ALCE 子集）、摘要、重排（MS MARCO）、ICL（TREC、NLU、Banking77、CLINIC150）；2025 年仍有足够区分度（[2410.02694](https://arxiv.org/abs/2410.02694)） |
| Novel Challenge | 2024 | 关于近一年出版虚构小说的 1K 真/假判断题，由读者出题，须读完并理解全书（[2406.16264](https://arxiv.org/abs/2406.16264)） |
| Kalamang 翻译集 | 2024 | 模型须读语法书后把英语译成 Kalamang——仅约 200 使用者的极低资源语言、无网络存在；可扩展到其他低资源语言，并可用规则语法检查器做严格准确率而非 BLEU（[2309.16575](https://arxiv.org/abs/2309.16575)） |

- 提醒：聚合基准有**重复测量**风险——别同时测 HELMET 和 InfinityBench 再合并结果（等于同一评测跑两遍）。

#### 指令遵循（Instruction Following）

- 两大数据集：**IFEval**（2023，[2311.07911](https://arxiv.org/abs/2311.07911)）与扩展 **IFBench**（2025，[2507.02833](https://arxiv.org/abs/2507.02833)）。
- 作者评价：IFEval 是近几年最聪明的评测思路之一——要求模型遵循**格式指令**（关键词、标点、字数/句数、markdown/html 等文件类型格式），每个条件可用特定解析测试检查。
- 意义：少数**不依赖模型评委也能得到严格分数**的自由生成评测，属功能性正确/单元测试类评测（作者最偏爱的评测方式），也易再生成/扩展防污染。
- 反方向（non-compliance）：**CoCoNot**（2024，[2407.12043](https://www.arxiv.org/pdf/2407.12043)）测模型对不完整（未说明/不清晰）、不可回答（缺信息、AI 化、常触发幻觉）、不安全请求是否会拒绝遵循；人工写 query + 模型写违规请求再过滤，作为分类问题评测。

#### 工具调用（Tool-calling）

- 背景：工具的出现是把 LLM 推向 agentic 的关键之一。

| 数据集 | 年份 | 说明（链接） |
|---|---|---|
| TauBench | 2024 | 零售与航空领域查询求解（下单/预订/查产品等），合成样本模拟真实领域数据；判对标准：1) 动作正确更新数据库 2) 恰当回答用户；用户由 LLM 模拟（成本高、易错），但贴合真实用例、用得很多（[2406.12045](https://arxiv.org/pdf/2406.12045)） |
| ToolBench | 2023 | 调 API（OpenWeather、Cat、HomeSearch、TripBooking、GoogleSheets、WebShop、Tabletop 等）解 100 个测试用例，每例需 1–10 次工具调用；部分 API 是 mock、部分真实 → 易意外失败（[2305.16504](https://arxiv.org/pdf/2305.16504)） |
| StableToolBench | 2025 | 用通用 VirtualAPIServer 全部 mock 保证稳定，但引入 LLM judge 评分（又多一层偏差）（[2403.07714](https://arxiv.org/pdf/2403.07714)） |
| BFCL | 2025 版 | 4 个子集：单轮简单调用、众包真实用户函数调用、多轮对话、agentic（web 搜索、记忆、SQL 数据交互）；用 AST、执行响应与状态匹配判对；v3 测工具调用、v4 测 web/search 工具（[OpenReview](https://openreview.net/pdf?id=2GmDdhBdDk)） |
| MCPBench | 2025 | 接真实 MCP 服务器（Wikipedia、HF、Reddit、Steam、arxiv 等），多轮合成任务；规则检查工具调用有效性 + LLM judge 评回答（[2508.20453](https://arxiv.org/abs/2508.20453)） |
| MCP-Universe | 2025 | 11 个真实主题 MCP 服务器（IRL 导航、3D 设计、web 搜索等）；多个严格评估器（格式 + 两个答案正确性）；动态任务用**基于任务执行的框架**自动抓最新正确答案对比——比 LLM judge 干净得多（[2508.14704](https://arxiv.org/abs/2508.14704)） |
| LiveMCPBench | 2025 | 大规模本地可部署 MCP 服务器集合，测模型在工具间分辨挑选的能力；最强模型已到 80%，接近饱和；"超长工具列表中选对工具"会随 web mcp 化越来越重要（[2508.01780](https://arxiv.org/abs/2508.01780)） |

- 附：[Anthropic 的"为 agent 写工具"文档](https://www.anthropic.com/engineering/writing-tools-for-agents)。
- 过渡语：单项能力评测有价值，但真实助手表现来自能力组合——推理必须与工具调用、长上下文管理同时进行，所以需要"多能力编排"的评测。

### 助手任务（Assistant tasks）

- 作者认为这是下一代评测的主流方向：解一个助手任务需组合大量能力（长上下文、推理、工具调用…），同时具体领域表现被放进真实有用场景；比单项能力基准**更易懂**。
- 足够通用时，不检查用了什么具体工具，只看**最终结果对不对**（复杂任务有多条成功路径）。

#### 真实信息检索（Real life information retrieval）

| 数据集 | 年份 | 说明（链接） |
|---|---|---|
| GAIA | 2023 | 开创现代 agentic 评测——组合工具、推理、检索解真实查询（有时含文档）；3 个难度级别，第一级已饱和、第三级仍难；公开榜见 [leaderboard](https://huggingface.co/spaces/gaia-benchmark/leaderboard)；分数因评测方式（公开验证集 vs LLM judge 评私有测试集）差异很大（[2311.12983](https://arxiv.org/abs/2311.12983)） |
| BrowseComp | 2025 | 测同样的事（用工具与在线信息找到具体查询的答案），但**结果不保证唯一**——从结果反推构造问题（如"哪篇关于 Topic 的论文发表在 Conference，作者含一位 Nationality 与两位 Entity 的人？"），多难度；目前可能更难（[OpenAI PDF](https://cdn.openai.com/pdf/5e10f4ab-d6f7-442e-9508-59515c65e35d/browsecomp.pdf)） |
| GAIA2 | — | 用模拟移动环境，测助手靠事件链与工具调用正确回答查询；对 SOTA 模型，搜索与执行已极容易，**时间敏感与刻意加噪（模拟 API 失败）子集**最难（[HF 博客](https://huggingface.co/blog/gaia2)） |

#### 科学助手（Science assistants）

| 数据集 | 年份 | 说明（链接） |
|---|---|---|
| SciCode | 2024 | 跨 STEM 领域用写科学代码解真实科研问题；核心问题分解为子问题；初版由科学家 + 模型评委评分，发布时模型表现很差（<5%）（[2407.13168](https://arxiv.org/abs/2407.13168)） |
| PaperBench | 2025 | 复现 ML 研究——给定 ICML 高质量论文重建对应代码库（论文作者贡献 8K 个分级任务，rubric 树加权计总分）；LLM judge 评分（作者怀疑部分可约束代码形态来自动化）（[2504.01848](https://arxiv.org/abs/2504.01848)） |
| DSBench | 2025 | Kaggle + ModelOff（金融数据）的多模态数据分析；ModelOff 题以多选题形式给出（可能变简单），Kaggle 每题有自己的指标（[2409.07703](https://arxiv.org/pdf/2409.07703)） |
| DABStep | 2025 | 用此前私密（未污染）的真实运营数据分析工作负载 + 真实问题与数据；全部需多步推理、多样文档解析、特定数据操作；难、贴近真实、每题有 ground truth → 评测无偏且不算贵（[2506.23719](https://arxiv.org/abs/2506.23719)） |

### 游戏化评测（Game-based evaluations）

- 价值：测对**变化环境的适应**（多数助手任务是静态的）、需长上下文推理、**人人都能看懂**。
- 缺点：不扎根真实生活、未必反映真实有用场景的表现。
- **ARC-AGI**（[arcprize.org](https://arcprize.org/arc-agi)）：2019 初版是网格拼图序列，无显式规则，找序列最后一项；非常像逻辑导向的 IQ 测试；2024 年几乎被解决。
- **Baba is AI**（2024，[2407.13729](https://arxiv.org/abs/2407.13729)）：同类规则外推基准。
- **ARC-AGI3**（2025，进行中）：整批新游戏（探索、复杂规划、记忆管理等），当前最佳解还在暴力破解。
- 单机冒险/RPG：**TextQuests**（2025，[HF 博客](https://huggingface.co/blog/textquests)）、**Pokemon**（2024，[benchflow 仓库](https://github.com/benchflow-ai/benchflow/tree/main/libs/pokemon-gym)；Claude 与 Gemini 都有 Twitch 直播：[Claude plays Pokemon](https://www.twitch.tv/claudeplayspokemon)、[Gemini plays Pokemon](https://www.twitch.tv/gemini_plays_pokemon)）——需超长规划、长上下文记忆管理、推理、回溯。
- 生存游戏：**Crafter**（2021，[2109.06780](https://arxiv.org/abs/2109.06780)，Minecraft 启发）。
- 环境整合：**Balrog**（2024，[2411.13543](https://arxiv.org/pdf/2411.13543)）整合了多个单人游戏环境。
- 竞争性虚张声势游戏（测逻辑、推理与**欺骗**）：
  - **Poker**（2025，[2501.08328](https://arxiv.org/html/2501.08328v1)）。
  - **Town of Salem**（2025，[仓库](https://github.com/summersonnn/Town-Of-Salem-with-LLMs)）。
  - **Werewolf 狼人杀**（2025，[2407.13943](https://arxiv.org/abs/2407.13943) / [网站](https://werewolf.foaster.ai/)）。
  - 例：Claude Opus 4 当狼人杀里的吸血鬼（欺骗角色）赢不了，但当农民（非欺骗角色）表现好。
- 合作游戏 **Hanabi**：测受限环境下的适应与沟通。
- 优势：单一明确的 **pass/fail 指标**（赢没赢）。
- 作者当前建议：能力看 TextQuests，安全看 Town of Salem。

### 预测类评测（Forecasters）

- 背景：去年新出现的、**本质上无法污染**的任务类别（股票市场预测理论上可被操纵，但希望还没到为搞坏评测而作弊的激励程度）。
- 定位：需跨来源推理回答尚未发生事件的问题；但不确定区分度是否够强，且可能强化 LLM 的"老虎机式成功"观感——事件上接近随机：因为不可预测还是模型差？反过来，预测对了：题太简单还是太模板化？

| 数据集 | 说明（链接） |
|---|---|
| FutureBench | 预测未来有新闻价值的事件；两个来源——浏览 + LLM 每周时间窗生成问题，以及博彩市场的用户预测；数据重度过滤清洗；模型在人类博彩题上勉强优于随机，在模型生成题上 3/4 成功（后者更简单）（[HF 博客](https://huggingface.co/blog/futurebench)） |
| FutureX | 用一系列特定网站（预测市场、政府网站、通用排名网站、实时数据平台），模板生成未来事件问题（"STOCK 何时到达 POINT？"）；每日生成 500 题并过滤意外无关题（[2508.11987](https://arxiv.org/abs/2508.11987)） |
| Arbitrage | 类似生成方式，核心差异是时间窗——事件须在 2028 年前解决（[2412.18544](https://arxiv.org/pdf/2412.18544)） |

### 2025 年 9 月的推荐评测组合

| 用途 | 推荐评测 |
|---|---|
| 核心能力（模型构建者） | 训练期用旧能力评测；后训练用 MATH500/AIME24、GPQA、IFEval、SWE-Bench；长程评测选一个如 HELMET；面向工具用 TauBench 或 BFCL |
| 核心能力（推理期对比模型） | IFBench、HLE、MathArena、AiderBench 与 LiveCodeBench、MCP-Universe |
| 长时程任务（真实世界表现） | GAIA、DABStep、SciCode 或针对自己用例的领域评测 |
| 游戏（测鲁棒性与适应性的趣味补充） | ARC-AGI3（发布后）、TextQuests；安全相关看 Town of Salem；或任何超越 Poker/Chess/Go 的游戏 |

### 结语

- 领域正从"测孤立技能"走向"测能力编排"以服务真实使用，契合"构建 work well 的模型"的目标。
- 作者希望未来评测更重视**功能性测试**而非模型评委，并保持数据集与任务的可理解性。

---

## 参考资料

- 2023 原文（GitHub）：[yearly_dives/2023-year-of-open-source.md](https://github.com/huggingface/evaluation-guidebook/blob/main/yearly_dives/2023-year-of-open-source.md)
- 2023 原文（博客首发）：[2023, year of open LLMs](https://huggingface.co/blog/2023-in-llms)
- 2024 原文（GitHub）：[yearly_dives/2024-evals-thoughts-from-iclr.md](https://github.com/huggingface/evaluation-guidebook/blob/main/yearly_dives/2024-evals-thoughts-from-iclr.md)
- 2024 原文（博客首发）：[Let's talk about LLM evaluation](https://huggingface.co/blog/clefourrier/llm-evaluation)
- 2025 原文（GitHub）：[yearly_dives/2025-evaluations-for-useful-models.md](https://github.com/huggingface/evaluation-guidebook/blob/main/yearly_dives/2025-evaluations-for-useful-models.md)
- 指南仓库：[huggingface/evaluation-guidebook](https://github.com/huggingface/evaluation-guidebook)

相关：[[00-Overview]] · [[07-Resources]]