我要投稿

T-Eval：大模型智能体能力评测基准解读 | ACL 2024

发布日期：2024-07-18 04:57:39 浏览次数： 2280

AI Agent（智能体）作为大模型的重要应用模式，能够通过使用外部工具来执行复杂任务，完成多步骤的工作流程。为了能全面评估模型的工具使用能力，司南及合作伙伴团队推出了 T-Eval 评测基准，相关成果论文已被ACL 2024主会录用。

查看原文：https://arxiv.org/abs/2312.14033

PART1

为什么需要 T-Eval？

使用了工具的大语言模型有着惊艳的问题解决能力，但是如何评估模型的工具使用能力还有很大的探索空间。现有评估方法通常只关注模型处理单步骤任务时的工具调用表现，缺少在多步骤复杂任务场景下模型使用工具能力的评估。

因此，为了更全面地评估大语言模型的工具使用能力，司南及合作伙伴团队推出了 T-Eval (a step-by-step Tool Evaluation benchmark for LLMs) 评测基准，相较于之前整体评估模型的方式，论文中将大模型的工具使用分解为多个子过程，包括：规划、推理、检索、理解、指令跟随和审查。

规划（PLAN）：将用户问题分解为多个子问题，制定行动计划。
推理（REASON）：对上个状态的完成情况的判断，下一步行动的思考。
检索（RETRIEVE）：从给定的工具列表中选择合适的工具。
理解（UNDERSTAND）：正确理解工具使用的参考文档和所需参数。
指令跟随（INSTRUCT）：生成指定格式的工具调用请求。
审查（REVIEW）：评估每个工具调用执行的结果，确保回答满足预期目标。

PART2

T-Eval 构建过程

T-Eval 的构建主要包括 3 个阶段：工具收集、指令生成和参考答案标注。

首先，我们根据可用性和使用率，挑选了15种基本工具，涵盖了研究、旅行、娱乐、网络、生活和金融等多个领域。此外，还为每个工具生成了详细的API文档，以减少因工具描述不充分而导致的工具调用失败案例。

然后，我们利用 GPT-3.5 生成了初始问题，并通过 GPT-4 进一步完善问题。之后，我们开发了一个多智能体框架，利用所提供的工具解决问题，同时收集解决方案路径和工具响应。最后，我们使用人类专家来挑选高质量样本。

PART3

T-Eval 主要贡献

细粒度评测：T-Eval将评测过程分解为多个子任务，分别评估模型在工具使用上的细粒度能力。

多智能体数据生成：使用了由人类专家验证的多智能体数据生成流程，显著减少了外部因素的影响，使评测结果更加稳定、公平。

广泛实验：通过在各种大模型上的广泛实验，验证了T-Eval的有效性和普适性，为当前大语言模型的工具使用能力瓶颈提供了宝贵的见解，并为改进工具使用能力提供了新的视角。

PART4

T-Eval 评测结果

我们在 T-Eval 上对 20 种大语言模型进行了评测，包括基于 API 的商业模型和开源模型。结果显示，GPT-4 在整体评分上取得了最高分，显示出其卓越的工具使用能力。对于开源模型，我们对三种不同规模的模型进行了实验，它们的尺寸大约是7B、13B和70B，可以发现，随着模型参数的增加，其表现也更加优秀。特别是 Qwen-72B 模型，其总得分已接近 API 模型水平。

T-Eval 现已加入 OpenCompass 评测平台，更多详细内容可参考以下链接！

GitHub：

https://github.com/open-compass/T-Eval

OpenCompass官网：

https://hub.opencompass.org.cn/dataset-detail/T-Eval

联系我们：

opencompass@pjlab.org.cn

?点击关注司南评测体系公众号

获取更多大模型相关知识~

53AI，企业落地大模型首选服务商

产品：场景落地咨询+大模型应用平台+行业解决方案

承诺：免费场景POC验证，效果验证后签署服务协议。零风险落地应用大模型，已交付160+中大型企业

160+中大型企业正在使用53AI

立即咨询预约演示

把握AI发展的机遇，共同探索、共同进步

2025-01-22

如何打造基于GenAI的员工服务机器人

2025-01-22

热点资讯

本地部署大模型？看这篇就够了，Ollama 部署和实战

2024-08-13

一文带你了解大模型——智能体（Agent）

2024-05-28

Cursor 一个真正让程序员产生危机感的 AI 编程工具

2024-08-21

全面对比dify、coze、streamlit、chainlit

2024-04-26

16个具有“联网搜索”功能的AI：总有一个适合你！

2024-06-13

OpenAI o1与GPT4o的对比分析

2024-09-23

50+个AI大模型在不同领域的应用案例

2024-08-04

【深度】AI搜索产品深度分析-搜索原理和商业模式分析

2024-07-09

一文读懂大模型推理必备技术：KV Cache

2024-07-01

Claude中国官网正式上线！1:1还原官网，非套壳，国内直连

2024-07-18

大家都在问

AI Agent大爆发！智谱AI神器GLM-PC上线，让你的电脑自己干活？

2025-01-24

星际之门：5000亿的星辰大海，还是马斯克口中的镜花水月？

2025-01-23

XLNet+Milvus：比BERT还聪明的语义理解模型到底是怎么工作的？

2025-01-22

中国研究者破解OpenAI 01和03的“思考”秘密，AGI时代即将到来？

2025-01-22

被玩疯的小红书 AI 翻译，用了哪家大模型？

2025-01-21

OpenAI创造了一种可以让我们永生的人工智能模型?

2025-01-21

AI Agent酣战：群雄逐鹿，鹿死谁手？

2025-01-18

2025年，大模型厂商将激战企业级市场，赢家会是谁？

2025-01-15

开箱即用的企业大模型应用平台

工作+AI

业务+AI

AIx业务

大模型咨询

大模型定制

相关资讯

160+中大型企业正在使用53AI

把握AI发展的机遇，共同探索、共同进步

如何打造基于GenAI的员工服务机器人

热点资讯

本地部署大模型？看这篇就够了，Ollama 部署和实战

一文带你了解大模型——智能体（Agent）

Cursor 一个真正让程序员产生危机感的 AI 编程工具

全面对比dify、coze、streamlit、chainlit

16个具有“联网搜索”功能的AI：总有一个适合你！

OpenAI o1与GPT4o的对比分析

50+个AI大模型在不同领域的应用案例

【深度】AI搜索产品深度分析-搜索原理和商业模式分析

一文读懂大模型推理必备技术：KV Cache

Claude中国官网正式上线！1:1还原官网，非套壳，国内直连

大家都在问

AI Agent大爆发！智谱AI神器GLM-PC上线，让你的电脑自己干活？

星际之门：5000亿的星辰大海，还是马斯克口中的镜花水月？

XLNet+Milvus：比BERT还聪明的语义理解模型到底是怎么工作的？

中国研究者破解OpenAI 01和03的“思考”秘密，AGI时代即将到来？

被玩疯的小红书 AI 翻译，用了哪家大模型？

OpenAI创造了一种可以让我们永生的人工智能模型?

AI Agent酣战：群雄逐鹿，鹿死谁手？

2025年，大模型厂商将激战企业级市场，赢家会是谁？

热门标签