ChatGPT 的出現，使中文社區意識到與國際領先水平的差距。近期，中文大模型研發如火如荼，但中文評價基準卻很少。在 OpenAI GPT 系列 / Google PaLM 系列 / DeepMind Chinchilla 系列 / Anthropic Claude 系列的研發過程中，MMLU / MATH / BBH 這三個數據集發揮了至關重要的作用，因為它們比較全面地覆蓋了模型各個維度的能力。最值得注意的是 MMLU 這個數據集，它考慮了 57 個學科，從人文到社科到理工多個大類的綜合知識能力。DeepMind 的 Gopher 和 Chinchilla 這兩個模型甚至只看 MMLU 的分數，因此我們想要構造一個中文的，有足夠區分度的，多學科的基準榜單，來輔助開發者們研發中文大模型。我們花了大概三個月的時間，構造了一個覆蓋人文，社科，理工，其他專業四個大方向，52 個學科（微積分，線代 …），從中學到大學研究生以及職業考試，一共 13948 道題目的中文知識和推理型測試集，我們管它叫 C-Eval，來幫助中文社區研發大模型。

這篇文章是把我們構造 C-Eval 的過程記下來，與開發者們分享我們的思考和我們視角下的研發重點。我們的最重要目標是輔助模型開發，而不是打榜。一味地追求榜單排名高會帶來諸多不利后果，但如果能夠科學地使用 C-Eval 幫助模型迭代的話，則可以最大化地利用 C-Eval。因此我們推薦從模型研發的視角來對待 C-Eval 數據集和榜單。

1 - 模型強弱的核心指標

首先，把一個模型調成一個對話機器人這件事情并不難，開源界已經有了類似于 Alpaca, Vicuna, RWKV 這樣的對話機器人，跟它們隨便聊聊感覺都還不錯；但要真正希望這些模型成為生產力，隨便聊聊是不夠的。所以構造評價基準的第一個問題是要找到區分度，弄明白什么樣的能力才是區分模型強弱的核心指標。我們考慮知識和推理這兩項核心。

1.1 - 知識

為什么說知識性的能力是核心能力？有以下幾點論點：

我們希望模型可以通用，可以在不同領域都貢獻生產力，這自然需要模型知道各個領域的知識。

我們同時希望模型不要胡說八道，不知為不知，這也需要擴大模型的知識，讓它可以在更少的時候說它不知道。

斯坦福的 HELM 英文評價榜單中，一個重要的結論是，模型大小與知識密集型任務的效果顯著正相關，這是因為模型的參數量可以被用來儲存知識。

上文已經提到，已有的重要模型，比如 DeepMind 的 Gopher / Chinchilla，在評價的時候幾乎只看 MMLU，MMLU 的核心就是測模型的知識覆蓋面。

GPT-4 的發布博客中，首先就是列出模型在各個學科考試上的效果，作為模型能力的衡量標準。

因此，知識型能力可以很好地衡量底座模型的潛力。

1.2 - 推理

推理能力是在知識的基礎上進一步上升的能力，它代表著模型是否能做很困難，很復雜的事情。一個模型要強，首先需要廣泛的知識，然后在知識的基礎上做推理。

推理很重要的論點是：

GPT-4 的發布博客中，OpenAI 明確寫道 “The difference comes out whenthe complexity of the task reaches a sufficient threshold” (GPT-3.5 和 GPT-4 的區別只在任務復雜到一定程度之后才會顯現)。這說明推理是很顯著的強的模型有，弱一點的模型不大有的能力。

在 PaLM-2 的 Tech Report 中，BBH 和 MATH 這兩個推理數據集被專門列出來討論劃重點。

如果希望模型成為新一代的計算平臺，并在上面孕育出全新的應用生態的話，就需要讓模型能夠做足夠強的完成復雜任務的能力。

這里我們還需要厘清推理和知識的關系：

知識型的能力是模型能力的基礎，推理能力是進一步的升華 — 模型要推理也是基于現有的知識圖里。

知識性任務的榜單上，模型大小和模型分數一般是連續變化的，不大會因為模型小就出現斷崖式下跌 — 從這個角度來說知識型的任務更有區分度一點。

推理型任務的榜單上，模型大小和模型分數可能存在相變，只有當模型大到一定程度之后（大概是 50B 往上，也就是 LLaMA 65B 這個量級），模型推理能力才會上來。

對于知識性的任務，Chain-of-thought (CoT) prompting 和 Answer-only (AO) prompting 的效果是差不多的；對于推理型任務，CoT 顯著好于 AO.

所以這邊需要記住一下，CoT 只加推理效果不加知識效果。在 C-Eval 數據集中，我們也觀察到了這個現象。

2 - C-Eval 的目標

有了上述對于知識和推理的闡述，我們決定從知識型的任務出發，構造數據集測試模型的知識能力，相當于對標一下 MMLU 這個數據集；同時，我們也希望帶一點推理相關的內容，進一步衡量模型的高階能力，所以我們把 C-Eval 中需要強推理的學科（微積分，線性代數，概率 …）專門抽出來，命名為 C-Eval Hard 子集，用來衡量模型的推理能力，相當于對標一下 MATH 這個數據集。在 C-Eval Hard 上面，模型首先需要有數學相關知識，然后需要有逐步解題的思路，然后需要在解題過程中調用 Wolfram Alpha/ Mathematica/ Matlab 進行數值和符號 / 微分和積分計算的能力，并把計算過程和結果以 Latex 的格式表示出來，這部分的題目非常難。

C-Eval 希望可以在整體上對標 MMLU (這個數據集被用于 GPT-3.5, GPT-4, PaLM, PaLM-2, Gopher, Chinchilla 的研發)，希望在 Hard 的部分對標 MATH (這個數據集被用于 GPT-4, PaLM-2, Minerva, Galactica 的研發)。

這里需要注意的是，我們的最重要目標是輔助模型開發，而不是打榜。一味地追求榜單排名高會帶來諸多不利后果，這個我們馬上會闡述；但如果能夠科學地使用 C-Eval 幫助模型迭代的話，則會得到巨大收益。我們推薦從模型研發地視角來對待 C-Eval 數據集和榜單。

2.1 - 目標是輔助模型開發

在實際研發的過程中，很多時候我們需要知道某種方案的好壞或者某種模型的好壞，這個時候我們需要一個數據集幫助我們測試。以下是兩個經典場景：

場景 1 ，輔助超參數搜索：我們有多種預訓練數據混合方案，不確定哪種更好，于是我們在 C-Eval 上相互比較一下，來確定最優預訓練數據混合方案。

場景 2 ，比較模型的訓練階段：我有一個預訓練的 checkpoint ，也有一個 instruction-tuned checkpoint，然后我想要衡量我的 instruction-tuning 的效果如何，這樣可以把兩個 checkpoint 在 C-Eval 上相互比較，來衡量預訓練和 instruction-tuning 的相對質量。

2.2 - 打榜不是目標

我們需要強調一下為什么不應該以榜單排名作為目標：

如果把打榜作為目標，則容易為了高分而過擬合榜單，反而丟失通用性 — 這是 GPT-3.5 之前 NLP 學術界在 finetune Bert 上學到的一個重要教訓。

榜單本身只測模型潛力，不測真實用戶感受 — 要模型真的被用戶喜好，還是需要大量的人工評價的

如果目標是排名，則容易為了高分想走捷徑，失去了踏實科研的品質與精神。

因此，如果把 C-Eval 作為輔助開發的工具，那么可以最大程度上的發揮它的積極作用；但是如果把它作為一個榜單排名，則存在極大的誤用 C-Eval 的風險，最終也大概率不會有很好的結果。

所以再一次，我們推薦從模型研發地視角來對待 C-Eval 數據集和榜單。

2.3 - 從開發者反饋中持續迭代

因為我們希望模型可以最大程度的支持開發者，所以我們選擇直接跟開發者交流，從開發者的反饋中持續學習迭代 — 這也讓我們學到了很多東西；就像大模型是 Reinforcement Learning from Human Feedback 一樣，C-Eval 的開發團隊是 Continue Learning from Developers’ Feedback.

具體來說，我們在研發的過程中，邀請了字節跳動，商湯，深言等企業將 C-Eval 接入到他們自己的工作流中做測試，然后相互溝通測試過程中存在哪些比較有挑戰的點。這個過程讓我們學習到很多開始時沒想到的內容：

很多測試團隊，即使是在同一個公司，也無法知道被測試模型的任何相關信息（黑盒測試），甚至不知道這個模型有沒有經過 instruction-tuning ，所以我們需要同時支持 in-context learning 和 zero-shot prompting.

因為有些模型是黑盒測試，沒辦法拿到 logits，但是小模型沒有 logits 就比較難確定答案，所以我們需要確定一套小模型定答案的方案。

模型的測試模型有多種，比如in-context learning 和 zero-shot prompting；prompt 的格式有多種，比如 answer-only 和 chain-of-thought；模型本身有多種類型，比如 pretrained checkpoint 和 instruction-finetuned checkpoint，因此我們需要明確這些因素各自的影響以及相互作用。

模型的對于 prompt 的敏感度很高，是否需要做 prompt engineering，以及 prompt engineering 是否有礙公平。

GPT-3.5 / GPT-4 / Claude / PaLM 的 prompt engineering 應該怎么做，然后如果從中學習到他們的經驗。

以上的這些問題都是我們在跟開發者的交互過程中，從開發者反饋里發現的。在現在 C-Eval 的公開版本的文檔和 github 代碼中，這些問題都有解決。

上面的這些過程也證明了，從模型研發的視角來對待 C-Eval 數據集和榜單，可以非常好地幫助大家開發中文大模型。

我們歡迎所有的開發者們給我們的 GitHub 提 issue 和 pull request，讓我們知道如何更好地幫助你，我們希望可以更好地幫助你 :)

3 - 如何保證質量

這個章節我們討論在制作的過程中，我們用了哪些方法來保證數據集的質量。這里我們最重要的參考是 MMLU 和 MATH 這兩個數據集，因為 OpenAI, Google, DeepMind, Anthropic 這四個最重要的大模型團隊都重點參考了 MMLU 和 MATH，所以我們希望可以向這兩個數據集看齊。在我們初步的調研和一系列的討論之后，我們做了兩個重要的決策，一個是從頭開始手工制做數據集，另一個是在此過程中重點防止題目被爬蟲爬到訓練集里。

3.1 - 手工制作

GPT 的開發過程的一個重要啟發是，人工智能這行，有多少人工就有多少智能，這個在我們建立 C-Eval 的過程中也有很好地體現，具體來說，從題目來源看：

C-Eval里面的題目大多是來源于pdf和word格式的文件，這類題目需要額外的處理和（人工）清洗才能使用。這是因為網上各種題目太多了，直接是網頁文本形式存在的題目很可能已經被用于模型的預訓練中

然后是處理題目：

收集到題目之后，先把pdf文件做 OCR 來電子化，然后把格式統一成 Markdown，其中數理的部分統一用 Latex 格式來表示

公式的處理是一件麻煩的事情：首先 OCR 不一定能識別對，然后 OCR 也不能直接識別成 Latex；這里我們的做法是能自動轉 Latex 就自動轉，不能自動轉就同學自己手動敲

最終的結果是，13000多 道題目里面所有跟符號相關的內容（包括數學公式和化學式，H2O 這種）都是被我們項目組的同學一一驗證過的，我們大概有十來位同學花了將近兩周的時間做這個事情

所以現在我們的題目可以非常漂亮地用 markdown 的形式呈現，這里我們給一個微積分的例子，這個例子可以直接在我們的網站中，explore 的部分看到：

接下來的難點就是如何構造官方的 chain-of-thought prompt ，這個地方的重點在于，我們需要保證我們的 CoT 是對的。我們一開始的做法是對于每個 in-context example ，我們讓 GPT-4 生成一個 Chain-of-thought，但后來發現這個不大行，一來是生成的太長了 (超過 2048 個 token)，有些模型的輸入長度不一定支持；另一個是錯誤率太高了，一個個檢查不如自己做一遍

所以我們的同學們就基于GPT-4生成的CoT，把微積分，線代，概率，離散這些 prompt 的題目（每個科目5道題作為in-context examples），真的自己做了一遍，以下是一個例子：

大家也能感受到為什么題目很難，chain-of-thought prompt 很長，為什么模型需要有能力做微積分的符號和數值計算

3.2 - 防止混入訓練集

為了評測的科學性，我們考慮了一系列機制來防止我們的題目被混入訓練集

首先，我們的測試集只公開題目不公開答案，大家可以拿自己的模型在本地把答案跑出來然后在網站提交，然后后臺會給出分數

然后，C-Eval的所有題目都是模擬題，從中學到考研到職業考試我們都沒有用過任何真題，這是因為全國性考試的真題廣泛存在于網上，非常容易被爬取到模型訓練集里

當然，盡管我們做出了這些努力，但可能也會不可避免的發生某個網頁里能搜到題庫里的題目，但我們相信這種情況應該不多。且從我們已有的結果看，C-Eval 的題目還是有足夠區分度的，特別是 Hard 的部分。

4 - 提升排名的方法

接下來我們分析有哪些方法可以提升模型的排名。我們先把捷徑給大家列出來，包括使用不能商用的 LLaMA 和使用 GPT 產生的數據，以及這些方法的壞處；然后我們討論什么是困難但正確的路。

4.1 - 有哪些捷徑可以走？

以下是可以走的捷徑：

使用 LLaMA 作為基座模型：在我們另一個相關的英文模型評測項目 Chain-of-thought Hub 中，我們指出了 65B 的 LLaMA 模型是一個稍弱于 GPT-3.5 的基礎模型，它有著很大的潛力，如果把它用中文的數據訓練，其強大的英文能力可以自動遷移到中文。

但這樣做的壞處，一來是研發能力的上限被 LLaMA 65B 鎖死，不可能超過 GPT-3.5，更何況 GPT-4 了，另一方面是 LLaMA 不可商用，使用它商業化會直接違反條例

使用 GPT-4 生成的數據：特別是 C-Eval Hard 的部分，直接讓 GPT-4 做一遍，然后 GPT-4 的答案喂給自己的模型就可以了

但這樣做的壞處，一來是如果商業化，就直接違反了 OpenAI 的使用條例；二來是從 GPT-4 做蒸餾會加劇模型胡說八道的現象，這是因為 RLHF 在微調模型拒絕能力的時候，是鼓勵模型知之為知之，不知為不知；但是直接抄 GPT-4 的話，GPT-4 知道的東西，其他的模型不一定知道，這樣反而鼓勵模型胡說八道。這個現象在 John Schulman 近期在伯克利的一個演講中被重點討論了。

很多時候，看似是捷徑的道路，其實在暗中標好了價格。

4.2 - 困難但正確的路

最好的方法是自立自強，從頭研發。這件事情很難，需要時間，需要耐心，但這是正確的路。

具體來說，需要重點關注以下機構的論文

OpenAI - 這個毋庸置疑，所有文章都要全文背誦

Anthropic - OpenAI 不告訴你的東西，Anthropic 會告訴你

Google DeepMind - Google 比較冤大頭，什么技術都老實告訴你，不像 OpenAI 藏著掖著

如果讀者在里經驗不足，那么可以先不要看其他的地方的文章。先培養判斷力，再去讀其他地方的文章，這樣才能分清好壞。在學術上，要分清好壞，而不是不加判斷一味接受。

在研發的過程中，建議關注以下內容：

如何組 pretraining 的數據，比如 DoReMi 這個方法

如何增加 pretraining 的穩定性，比如 BLOOM 的方法

如何組 instruction tuning 的數據，比如 The Flan Collection

如何做 instruction tuning ，比如 Self-instruct

如何做 RL，比如 Constitutional AI

如何增加 reasoning 的能力，比如我們先前的博客

如何增加 coding 能力，比如 StarCoder

如何增加工具使用的能力 (C-Eval Hard 需要模型能調用工具做科學計算)，比如 toolformer

4.3 - 不著急

大模型就是一件花時間的事情，它是對人工智能工業能力的全方位大考：

OpenAI 的 GPT 系列從 GPT-3 走到 GPT-4，從 2019 到 2023，一共花了四年的時間。

Anthropic 原班人馬從 OpenAI 剝離之后，即使有 GPT-3 的經驗，重新做一遍 Claude 也花了一年的時間。

LLaMA 的團隊，即使有 OPT 和 BLOOM 的教訓，也花了六個月的時間。

GLM-130B 從立項到發布，花了兩年的時間。

MOSS 的 alignment 的部分，在 RL 之前的內容，也花了將近半年的時間，這還是沒算 RL 的。

因此，不用著急打榜，不用明天就看結果，不用后天上線 — 慢慢來，一步一步來。很多時候，困難但正確的路，反而是最快的路。

5 - 結論

在這篇文章中，我們介紹了 C-Eval 的開發目標，過程，和重點考量的因素。我們的目標是幫助開發者更好地開發中文大模型，促進學術界和產業界科學地使用 C-Eval 幫助模型迭代。我們不著急看結果，因為大模型本身就是一件非常困難的事情。我們知道有哪些捷徑可以走，但也知道困難但正確的路反而是最快的路。我們希望這份工作可以促進中文大模型的研發生態，讓人們早一點體驗到這項技術帶來的便利。

附錄1：C-Eval 包含的科目

附錄2：項目成員的貢獻

審核編輯 ：李倩