my-vault/01_Projects/Personal-Tech/LLM_Evaluation/04-Reference/evaluation-guidebook/06-Yearly-Dives.md

type, tags, status, created, source

type	tags	status	created	source
reference	llm-evaluation evaluation-guidebook yearly-dives	active	2026-08-21	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。

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）。
• 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）。
• 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）：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）：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）：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）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）：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）：不同尺寸的模型套件，完全公开数据训练，用于研究 LLM 训练各阶段。
• MPT（MosaicML，博客）：性能接近但许可证允许商用，且公开训练数据构成。首个 7B，6 月跟进 30B，均 1T token（C4、CommonCrawl、The Stack、S2ORC）。
• Falcon（TIIUAE）：7B/30B，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。
• 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 + 详细技术报告。
• 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）：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）：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）：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 2309.16609，7–70B，2.4T token）、Yi（01-AI，6–34B，3T token），在 Open LLM Leaderboard 与最难的 benchmark（如 Skill-Mix 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；RLHF 见 RLHF 博客、原始 RLHF 论文 1909.08593、Anthropic RLHF 论文 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。

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、例 2 2109.01903）；更复杂的有按任务加权平均（2111.09832）、考虑参数间干扰再选择的 ties merging（2306.01708）。
• 综述见 model merging 论文集合。
• 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）。
• 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。

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。
• 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）、GPTQ（2210.17323）、AWQ（2306.00978）。
• 社区角色：如 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）：
  • Mamba（2312.00752）：状态空间模型 + 选择机制。
  • Striped Hyena（HF 模型页）：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。

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。
  • 生成式评测的归一化设计不好就不公平。
  • 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——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，趣味检测方法见 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、门控访问。
  • 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，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。
• Arena（竞技场）：用社区反馈做大规模模型排名，如 LMSYS Chatbot Arena——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（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）。
  • 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 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）：
  • 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）。
• 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）：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）。
• 已知局限：
  • 评分时偏爱自己的输出。
  • 分数范围不一致（可让模型先解释推理再打分改善）。
  • 与人类排名并不一致。
• 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）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，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）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）。

⚠️ 本节为旧版详细版的压缩版。各能力类别、数据集链接与最新推荐（2025 年 11 月版）见新版 08-2025-Edition §3（2025 评测全景），以新版为准；本节只保留旧版独有的"核心论点"与各小节一句话摘要，不再重复维护表格。

核心论点（旧版独有，简要保留）

• 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。
• 现实依据：Anthropic 经济指数报告与 OpenAI ChatGPT 使用研究显示，LLM 当前最常见的用途是助手（写代码、行政支持等）。
• 好助手应做到：处理指令歧义、构建逐步计划、识别所需资源、按需调用工具、适应意外事件、全程不胡编。
• 规模观察：7B 的模型就能当好 agent 助手（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、现实任务上测集成表现、动态环境中探适应性。

各小节摘要（详细内容见 08-2025-Edition §3）

• 单一能力评测：推理与常识（ARC/WinoGrande 等历史数据集，只适合消融与预训练）；知识（MMLU 已饱和，改用 GPQA/HLE）；数学（GSM8K/MATH 饱和，预训练用 AIME25+MATH-500、后训练用 Math-Arena）；代码（关注 LiveCodeBench、AiderBench、SWE-Bench verified）；长上下文（NIAH 接近解决，HELMET 有重复计量风险）；指令遵循（IFEval/IFBench，少数不依赖模型评委的严格评测）；工具调用（TauBench/BFCL/MCP 系基准）。
• 助手任务（下一代评测主流方向）：GAIA/BrowseComp 真实信息检索、SciCode/PaperBench/DABStep 科学助手——设计得够通用时只看最终结果对不对。
• 游戏化评测：ARC-AGI/TextQuests/Pokemon/Town of Salem，单一 pass/fail 指标；作者建议能力看 TextQuests、安全看 Town of Salem。
• 预测类评测（本质上无法污染）：FutureBench/FutureX/Arbitrage，但区分度存疑。
• 推荐评测组合：旧版"2025 年 9 月"版已被新版 §3 的"2025 年 11 月"版取代，直接看 08-2025-Edition §3 末尾。
• 结语：领域正从"测孤立技能"走向"测能力编排"，更重视功能性测试而非模型评委。

---

参考资料

• 2023 原文（GitHub）：yearly_dives/2023-year-of-open-source.md
• 2023 原文（博客首发）：2023, year of open LLMs
• 2024 原文（GitHub）：yearly_dives/2024-evals-thoughts-from-iclr.md
• 2024 原文（博客首发）：Let's talk about LLM evaluation
• 2025 原文（GitHub）：yearly_dives/2025-evaluations-for-useful-models.md
• 指南仓库：huggingface/evaluation-guidebook

相关：00-Overview · 07-Resources · 新版对应：08-2025-Edition