大型語言模型（LLM）正在風靡全球，它們的一個重要應用就是聊天，并在問答、客服和其他許多方面都有應用。然而，聊天機器人是出了名的難以評估。究竟這些模型在什么情況下最好用，我們目前尚不明晰。因此，LLM 的測評非常重要。

此前一位名叫 Marco Tulio Ribeiro 的 Medium 博主在一些復雜任務上對 Vicuna-13B、MPT-7b-Chat 和 ChatGPT 3.5 進行了測試。結果表明，Vicuna 對于許多任務來說是 ChatGPT (3.5) 的可行替代品，而 MPT 還沒有準備好在現實世界中使用。

近日，CMU 副教授 Graham Neubig 對已有七種聊天機器人進行了詳細測評，并制作了一個實現自動比較的開源工具，最后形成了一份測評報告。

在這份報告中，測評者展示了一些聊天機器人的初步評估、比較結果，目的是讓人們更容易地了解最近出現的所有開源模型以及基于 API 的模型現狀。

具體來說，測評者創建了一個新的開源工具包 ——Zeno Build，用于評估 LLM。該工具包結合了：（1）通過 Hugging Face 或在線 API 使用開源 LLM 的統一界面；（2）使用 Zeno 瀏覽和分析結果的在線界面，以及（3）使用 Critique 對文本進行 SOTA 評估的指標。

具體結果參加：https://zeno-ml-chatbot-report.hf.space/

以下是評估結果匯總：

• 測評者評估了 7 種語言模型：GPT-2、LLaMa、Alpaca、Vicuna、MPT-Chat、Cohere Command 和 ChatGPT (gpt-3.5-turbo)；
• 這些模型是根據它們在客戶服務數據集上創建類似人類的響應的能力進行評估的；
• ChatGPT 拔得頭籌，但開源模型 Vicuna 也很有競爭力；
• 測評者發現，使用具有較長上下文窗口的 chat-tuned 模型非常重要；
• 在對話的前幾個回合，prompt 工程對于提升模型對話的表現非常有用，但在有更多上下文的后期回合中，效果就不那么明顯了；
• 即使是像 ChatGPT 這樣強大的模型也存在很多明顯的問題，比如出現幻覺、未能探求更多信息、給出重復內容等。

以下是評測的詳細信息。

設置

模型概況

測評者使用的是 DSTC11 客戶服務數據集。DSTC11 是一個對話系統技術挑戰賽的數據集，旨在支持更具信息性和吸引力的任務導向對話，通過利用評論帖子中的主觀知識來實現。

DSTC11 數據集包含多個子任務，如多輪對話、多領域對話等等。例如，其中一個子任務是基于電影評論的多輪對話，其中用戶和系統之間的對話旨在幫助用戶找到適合他們口味的電影。

他們測試了以下 7 個模型：

• GPT-2：2019 年的一個經典語言模型。測評者把它作為一個基線加入，看看最近語言建模方面的進展對建立更好的聊天模型有多大影響。
• LLaMa：一個最初由 Meta AI 訓練的語言模型，使用的是直接的語言建模目標。測試中使用的是 7B 版本的模型，以下開源模型采用的也是同等規模版本；
• Alpaca：一個基于 LLaMa 的模型，但進行了指令調優；
• Vicuna：一個基于 LLaMa 的模型，為基于聊天機器人的應用做了進一步的明確調整；
• MPT-Chat：一個以類似于 Vicuna 的方式從頭開始訓練的模型，它有一個更商業化的許可；
• Cohere Command：Cohere 推出的一個基于 API 的模型，進行了指令遵循方面的微調；
• ChatGPT（gpt-3.5-turbo）：標準的基于 API 的聊天模型，由 OpenAI 研發。

對于所有的模型，測評者使用了默認的參數設置。其中包括溫度（temperature）為 0.3，上下文窗口（context window）為 4 個先前的對話輪次，以及一個標準的 prompt：「You are a chatbot tasked with making small-talk with people」。

評價指標

測評者根據這些模型的輸出與人類客服反應的相似程度來評估這些模型。這是用 Critique 工具箱提供的指標完成的：

• chrf：測量字符串的重疊度；
• BERTScore：衡量兩個語篇之間嵌入的重疊程度；
• UniEval Coherence：預測輸出與前一個聊天回合的連貫性如何。

他們還測量了長度比，用輸出的長度除以黃金標準的人類回復的長度，以此衡量聊天機器人是否啰嗦。

更進一步的分析

為了更深入地挖掘結果，測評者使用了 Zeno 的分析界面，特別是使用了它的報告生成器，根據對話中的位置（開始、早期、中期和后期）和人類回應的黃金標準長度（短、中、長）對例子進行細分，使用其探索界面來查看自動評分不佳的例子，并更好地了解每個模型的失敗之處。

結果

模型的總體表現如何？

根據所有這些指標，gpt-3.5-turbo 是明顯的贏家；Vicuna 是開源的贏家；GPT-2 和 LLaMa 不是很好，表明了直接在聊天中訓練的重要性。

這些排名也與 lmsys chat arena 的排名大致相符，lmsys chat arena 使用人類 A/B 測試來比較模型，但 Zeno Build 的結果是在沒有任何人類評分的情況下獲得的。

關于輸出長度，gpt3.5-turbo 比其他模型的輸出要冗長得多，而且看起來，在聊天方向進行調優的模型一般都會給出冗長的輸出。

黃金標準響應長度的準確性

接下來，測評者使用 Zeno report UI 進行深入挖掘。首先，他們按照人類回復的長度將準確性分別進行了測量。他們將回復分為短（≤35 個字符）、中等（36-70 個字符）和長（≥71 個字符）三個類別，并對它們的準確性進行了單獨的評估。

gpt-3.5-turbo 和 Vicuna 即使在更長的對話輪次中也能保持準確性，而其他模型的準確性則有所下降。

接下來的問題是上下文窗口大小有多重要？測評者用 Vicuna 進行了實驗，上下文窗口的范圍是 1-4 個之前的語篇。當他們增加上下文窗口時，模型性能上升，表明更大的上下文窗口很重要。

測評結果顯示，較長的上下文在對話的中間和后期尤其重要，因為這些位置的回復沒有那么多的模板，更多的是依賴于之前所說的內容。

當試圖生成黃金標準較短的輸出時（可能是因為有更多的歧義），更多的上下文尤為重要。

prompt 有多重要？

測評者嘗試了 5 個不同的 prompt，其中 4 個是通用的，另外一個是專門為保險領域的客服聊天任務量身定制的：

• 標準的：「你是一個聊天機器人，負責與人閑聊。」
• 友好的：「你是一個善良、友好的聊天機器人，你的任務是用一種讓人感到愉快的方式與人閑聊。」
• 有禮貌的：「你是一個非常有禮貌的聊天機器人，說話非常正式，盡量避免在回答中犯任何錯誤。」
• 憤世嫉俗的：「你是一個憤世嫉俗的聊天機器人，對世界有著非常黑暗的看法，通常喜歡指出任何可能存在的問題。」
• 保險行業專用的：「你是 Rivertown 保險服務臺的工作人員，主要幫助解決保險索賠問題。」

總的來說，利用這些 prompt，測評者并沒有測出不同 prompt 導致的顯著差異，但「憤世嫉俗」的聊天機器人稍微差一點，而量身定制的「保險」聊天機器人總體上稍微好一點。

在對話的第一個回合中，不同 prompt 帶來的差異尤其明顯，這表明當沒有什么其他上下文可以利用時，prompt 是最重要的。

發現的錯誤以及可能的緩解措施

最后，測評者使用 Zeno 的 exploration UI ，試圖通過 gpt-3.5-turbo 找到可能的錯誤。具體來說，他們查看了所有 chrf 較低（<0.1）的例子，并手動查看了這些例子以發現趨勢。

Probe 的失敗

有時模型無法在實際需要時 Probe（探測）更多信息，例如模型在處理號碼這一事件中尚未完善（電話號碼必須是 11 位數字，模型給出的數字長度與答案不匹配）。這時可以通過修改 prompt 來緩解，以提醒模型某些信息所需的長度。

內容重復

有時，同樣的內容會重復多次，比如聊天機器人在這里說了兩次「謝謝」。

回答合理，但與人類方式不同

有時候，這種響應是合理的，只是與人類的反應不同。

以上就是評測結果。最后，測評者希望這份報告對研究者有所幫助！如果你繼續想嘗試其他模型、數據集、prompt 或其他超參數設置，可以跳轉到 zeno-build 存儲庫上的聊天機器人示例進行嘗試。