构建AI智能体：二十七、大模型如何“考出好成绩”：详解内在评测与外在评测方法
本文系统介绍了语言模型评测的两种主要方法：内在评测和外在评测。内在评测聚焦模型基础语言能力，核心指标困惑度(PPL)反映模型预测准确性，计算过程包括条件概率、对数概率和及指数转换。外在评测通过具体任务表现评估模型实用性，采用多层级评估策略（精确匹配、变体匹配、关键词分析和语义评估）。文章详细阐述了评测流程、指标计算方法和代码实现，强调两者结合使用的重要性：内在评测看基本功，外在评测检验实战能力。评
一、先知其然
语言模型评测的重要性可以用一个简单的比喻来理解：就像我们不能仅凭汽车的外观和参数来判断其性能一样，我们也不能仅凭语言模型的参数数量和训练数据量来评估其实际能力。我们需要通过系统的"路试"，即各种评测方法来全面了解模型的真实表现。
同样的，在我们工作中，如果我们需要为公司购买一台新的服务器，我们首先不会仅仅因为销售员说“它很快”就下单，而是要求看性能测试报告，比如CPU跑分、硬盘读写速度等。基于此，评测语言模型也是出于完全相同的原因，我们需要用客观、系统的方法来了解它的真实能力，而不是仅仅依赖厂商的宣传或我们的主观感受。
二、为什么需要评测语言模型
在人工智能快速发展的今天，语言模型已经成为推动技术进步的重要力量。从简单的聊天机器人到复杂的决策辅助系统，语言模型的应用场景日益广泛。然而，如何科学地评估这些模型的性能，确保它们在实际应用中能够可靠地工作，成为了一个关键问题。
得到一个语言模型后，我们需要对其生成能力进行评测，以判断其优劣，通俗的讲，就像我们不能仅凭一本教科书的前言来判断它是否是一本好书一样，我们也不能只听厂商宣传就说一个语言模型强大。我们需要一套系统的“考试方法”来全面评估它的智商和情商。传统的评测方法往往局限于单一的维度，要么只关注模型的基础语言能力，要么只关注在特定任务上的表现。这种片面的评估方式往往无法全面反映模型的真实能力。一个困惑度很低的模型可能在实际对话中表现糟糕，而一个在特定任务上表现优异的模型可能缺乏泛化能力。
三、评测的目的
1. 衡量能力水平，了解它能力有多强
- 基础能力： 模型到底有多聪明，它的语言理解能力如何？知识储备有多广？逻辑推理是否清晰？创造性写作水平怎样？
- 对比选型： 市场上模型那么多（GPT、Qwen等），我的项目或研究应该选择哪一个？评测提供了一个公平的标尺，让它们在同一套考题下同台竞技。帮助企业和开发者从众多模型中，选择最适合自己具体场景的模型。
2. 发现缺陷与局限，知道它哪里不行
- 没有完美的模型。评测能系统地暴露模型的弱点，比如：
- 事实错误（胡编乱造）： 在关键问题上是否会产生误导性信息？
- 偏见与毒性： 它的输出是否包含性别、种族歧视或有害内容？
- 逻辑漏洞： 它的推理链条是否经常断裂？
- 领域盲区： 它是否完全不擅长医疗、法律、编程等专业领域？
发现这些问题对于规避应用风险至关重要。
3. 指导研发与优化，明白我们该如何改进它
通过评测发现模型的短板，不擅长数学计算或容易胡说八道，为开发者优化方向提供依据。对模型开发者而言，评测是指引方向的罗盘。通过分析模型在哪些题目上得分低，研发团队可以有针对性地：增加特定类型的数据进行训练、调整模型架构或算法以及进行后续的微调（Fine-tuning）和强化学习（RLHF）。
4. 确保安全与责任，确定它是否安全可靠
语言模型的影响力巨大，一旦被滥用或出错，后果严重。评测尤其是安全和伦理评测就像安全质检，确保模型在出厂前尽可能排除重大风险，符合伦理和法律规范，从而更负责任地推向社会。
总而言之，评测是连接模型研发与实际应用的桥梁。没有科学系统的评测，使用语言模型就像盲人摸象，我们既无法真正了解它的能力，也无法放心地将其应用于关键场景。
四、如何去评测语言模型
评测语言模型是一个系统工程，主要有两大流派：内在评测和外在评测。
- 内在评测：就像一个学生既要考基础知识测验，也要参加综合实践项目。不依赖具体任务，直接通过语言模型的输出来评测模型的生成能力。
- 外在评测：通过某些具体任务，如机器翻译、摘要生成、文案写作等，来评测语言模型处理这些具体生成任务的能力。
方法一：内在评测 — 考基本功
1. 基础介绍
内在评测是语言模型评估的基础，它专注于评估模型的核心语言能力，而不考虑任何特定的应用任务。这种方法类似于测试学生的基础知识掌握程度，而不是测试他们解决具体问题的能力。
核心思想： 在隔离、纯净的环境下，检验模型最核心的语言建模能力，即“预测下一个词”的准确度。
主要指标：困惑度（Perplexity, PPL）。可以通俗地理解为“模型在预测时会感到有多困惑”。PPL值越低，说明模型对文本越熟悉、预测越准确。如给模型一句“中国的首都是__”，一个好的模型会非常确定地预测“北京”，此时它的“困惑度”很低。
优点： 标准、客观、计算快速。
缺点： 像个书呆子考试，分数高不一定代表解决实际问题的能力强。
2. 核心指标详解：困惑度
2.1 概念解释
困惑度（PPL）是内在评测中最核心的指标。它可以理解为模型在预测下一个词时的"不确定程度"。一个较低的困惑度值意味着模型能够更准确地预测文本序列，表明它具有更好的语言理解能力。
从数学角度来看，困惑度是交叉熵损失的指数形式。具体计算公式为：PPL(W) = exp(-1/N * ΣlogP(w_i|w_1,...,w_{i-1}))，其中W是文本序列，N是序列长度，P是模型预测的概率。
为了更好地理解困惑度，我们可以考虑几个具体的例子。对于一个训练良好的模型，在预测"今天天气很___"这样的常见句式时，困惑度会很低（可能小于20），因为模型很"确定"下一个词可能是"好"、"热"等常见词语。而对于"量子纠缠是___"这样的专业句式，困惑度会相对较高（可能在50-100之间），因为下一个词的可能性更多样。对于完全随机的文本，困惑度会非常高（可能超过1000），因为模型无法做出准确的预测。
2.2 公式说明
困惑度的数学表达式为：
PPL(W) = exp(-1/N * ΣlogP(w_i | w_1, w_2, ..., w_{i-1}))
其中：
- W 是文本序列 (w_1, w_2, ..., w_N)
- N 是序列中的词元数量
- P(w_i | w_1, w_2, ..., w_{i-1}) 是模型预测的条件概率
2.3 计算示例
假设有一个简单文本："今天 天气 很好"，计算过程如下：
第一步. 计算每个位置的条件概率：
- P("今天" | <开始>) = 0.4
- P("天气" | "今天") = 0.6
- P("很好" | "今天 天气") = 0.5
第二步. 计算对数概率和：
log(0.4) + log(0.6) + log(0.5) ≈ -0.92 -0.51 -0.69 = -2.12
第三步. 计算平均负对数概率：
-(-2.12)/3 ≈ 0.71
第四步. 计算困惑度：
exp(0.71) ≈ 2.03
这个较低的困惑度值表明模型能够很好地预测这个简单文本。
2.4 可视化计算流程
+-------------------+ +-------------------+ +-------------------+ +-------------------+
| 输入文本序列 | | 计算每个位置 | | 计算平均负 | | 取指数得 |
| "今天天气很好" | --> | 条件概率 | --> | 对数概率 | --> | 困惑度值 |
| | | P(w_i|w_<i) | | -1/N Σ log P(...) | | exp(平均值) |
+-------------------+ +-------------------+ +-------------------+ +-------------------+
| | | |
v v v v
+-------------------+ +-------------------+ +-------------------+ +-------------------+
| 分词: | | P("今天"|开始)=0.4 | | -1/3 [log(0.4) + | | PPL = exp(0.706) |
| ["今天", "天气", | | P("天气"|"今天")=0.6| | log(0.6) + | | = 2.027 |
| "很好"] | | P("很好"|"今天 天气")=0.5| | log(0.5) + | | |
| N=3 | | | | = -1/3 [-0.9163 + | | |
+-------------------+ +-------------------+ | -0.5108 + -0.6931] | +-------------------+
| = -1/3 × -2.1202 |
| = 0.7067 |
+-------------------+2.5 强化理解
1. 作为"有效分支因子"的解释
困惑度可以理解为模型在每个词元位置面临的"平均选择困难度"。例如：
- PPL = 10 表示模型平均在10个等概率选项中犹豫
- PPL = 100 表示模型平均在100个等概率选项中犹豫
2. 与概率的关系
困惑度与概率呈反比关系：
- 高概率预测 → 低困惑度
- 低概率预测 → 高困惑度
3. 不同文本类型的典型困惑度范围
| 文本类型 | 典型困惑度范围 | 说明 |
| 简单常见文本 | 5-30 | 日常对话、简单句子 |
| 一般专业文本 | 30-100 | 新闻文章、技术文档 |
| 复杂专业文本 | 100-300 | 学术论文、专业术语多的文本 |
| 随机/无意义文本 | 300+ | 随机字符、无意义组合 |
2.6 模型验证
使用Qwen API模型模拟验证以上示例中的困惑度计算过程：
import requests
import json
import math
import os
class QwenPerplexityCalculator:
def __init__(self, api_key):
self.api_key = api_key
self.api_url = "https://dashscope.aliyuncs.com/api/v1/services/aigc/text-generation/generation"
def calculate_perplexity_process(self, text, probabilities):
"""
使用Qwen API模拟困惑度计算过程
参数:
text: 要计算困惑度的文本
probabilities: 各位置的条件概率值列表
"""
# 构建详细的prompt，要求模型按照指定流程计算困惑度
prompt = f"""请按照以下步骤计算文本的困惑度(PPL)，使用我提供的概率值：
文本: "{text}"
条件概率值:
P("今天" | <开始>) = {probabilities[0]}
P("天气" | "今天") = {probabilities[1]}
P("很好" | "今天 天气") = {probabilities[2]}
请逐步计算并解释：
1. 计算对数概率和：log({probabilities[0]}) + log({probabilities[1]}) + log({probabilities[2]})
2. 计算平均负对数概率：- (对数概率和) / N (N=3)
3. 计算困惑度：exp(平均负对数概率)
请详细展示每一步的计算过程和结果，最后给出完整的困惑度值。"""
headers = {
"Content-Type": "application/json",
"Authorization": f"Bearer {self.api_key}"
}
payload = {
"model": "qwen-max",
"input": {
"messages": [{"role": "user", "content": prompt}]
},
"parameters": {
"result_format": "text",
"max_tokens": 800,
"temperature": 0.1
}
}
try:
response = requests.post(self.api_url, headers=headers, data=json.dumps(payload))
result = response.json()
if "output" in result and "text" in result["output"]:
return result["output"]["text"].strip()
return None
except Exception as e:
print(f"API调用失败: {e}")
return None
def manual_calculation(self, text, probabilities):
"""
手动计算困惑度过程，用于验证
"""
print(f"文本: '{text}'")
print("\n1. 计算每个位置的条件概率:")
for i, prob in enumerate(probabilities):
if i == 0:
print(f" P('{text.split()[i]}' | <开始>) = {prob}")
else:
context = " ".join(text.split()[:i])
print(f" P('{text.split()[i]}' | '{context}') = {prob}")
print("\n2. 计算对数概率和:")
log_probs = [math.log(p) for p in probabilities]
log_sum = sum(log_probs)
log_str = " + ".join([f"log({p})" for p in probabilities])
print(f" {log_str} = {log_str.replace('log', str(round(math.log(probabilities[0]), 2))).replace('log', str(round(math.log(probabilities[1]), 2))).replace('log', str(round(math.log(probabilities[2]), 2)))} = {round(log_sum, 2)}")
print("\n3. 计算平均负对数概率:")
n = len(probabilities)
avg_neg_log_prob = -log_sum / n
print(f" -({round(log_sum, 2)}) / {n} = {round(avg_neg_log_prob, 2)}")
print("\n4. 计算困惑度:")
perplexity = math.exp(avg_neg_log_prob)
print(f" exp({round(avg_neg_log_prob, 2)}) = {round(perplexity, 2)}")
return perplexity
# 使用示例
if __name__ == "__main__":
# 初始化计算器
calculator = QwenPerplexityCalculator(os.environ.get("DASHSCOPE_API_KEY"))
# 定义文本和概率值
text = "今天 天气 很好"
probabilities = [0.4, 0.6, 0.5]
print("使用Qwen API模拟困惑度计算过程:")
print("=" * 50)
# 使用Qwen API获取计算过程
process = calculator.calculate_perplexity_process(text, probabilities)
if process:
print(process)
else:
print("API调用失败，使用手动计算")
print("\n" + "=" * 50)
print("手动计算验证:")
print("=" * 50)
# 手动计算验证
final_ppl = calculator.manual_calculation(text, probabilities)
print(f"\n最终困惑度: {final_ppl:.2f}")输出计算过程：
使用Qwen API模拟困惑度计算过程:
==================================================
要计算给定文本 "今天 天气 很好" 的困惑度(PPL)，我们将按照您提供的步骤进行。首先，我们需要明确几个概念：对数通常指的是自然对数（以e为底
），在计算困惑度时我们使用的是这个定义；PPL是衡量语言模型预测下一个词的好坏的一个指标，值越小表示模型越好。
### 第一步: 计算对数概率和
根据题目给出的概率值，我们可以直接代入公式来计算对数概率之和。
- \(P("今天" | <开始>) = 0.4\)
- \(P("天气" | "今天") = 0.6\)
- \(P("很好" | "今天 天气") = 0.5\)
因此，对数概率和为:
\[ \log(0.4) + \log(0.6) + \log(0.5) \]
使用自然对数（ln）计算每个项：
- \(\log(0.4) \approx -0.9163\)
- \(\log(0.6) \approx -0.5108\)
- \(\log(0.5) = -0.6931\)
将这些值相加得到总和:
\[ -0.9163 - 0.5108 - 0.6931 = -2.1202 \]
### 第二步: 计算平均负对数概率
接下来，我们需要计算平均负对数概率。这里N=3，因为句子中有三个词。
\[ -\frac{\text{对数概率和}}{N} = -\left(-2.1202\right)/3 = 0.7067 \]
### 第三步: 计算困惑度
最后一步是通过指数函数\(e^x\)来计算困惑度。
\[ PPL = e^{0.7067} \approx 2.028 \]
### 结论
给定文本 "今天 天气 很好" 的困惑度大约为2.028。这意味着，在理想情况下，如果我们的模型能够完美地预测每一个词，那么对于这段文本来说，它平
均每猜测一个词需要考虑约2个选项。较低的PPL值表明模型具有更好的性能。
==================================================
手动计算验证:
==================================================
文本: '今天 天气 很好'
1. 计算每个位置的条件概率:
P('今天' | <开始>) = 0.4
P('天气' | '今天') = 0.6
P('很好' | '今天 天气') = 0.5
2. 计算对数概率和:
log(0.4) + log(0.6) + log(0.5) = -0.92(0.4) + -0.92(0.6) + -0.92(0.5) = -2.12
3. 计算平均负对数概率:
-(-2.12) / 3 = 0.71
4. 计算困惑度:
exp(0.71) = 2.03
最终困惑度: 2.03
结果解释：
得到的困惑度值约为2.03，这是一个相对较低的值，表明模型能够很好地预测这个文本序列。具体来说：
- 困惑度 = 1：表示模型完全确定下一个词元，是理想情况
- 困惑度 = 词汇表大小：表示模型完全随机猜测，是最差情况
- 困惑度 ≈ 2.03：表示模型平均在每个位置面临约2个等概率的选择，预测准确性很高
在这个例子中，较低的困惑度值反映了文本"今天 天气 很好"是一个常见且简单的序列，模型能够轻松预测。
在实际应用中，困惑度计算有几点需要注意：
- 概率获取：通过API无法直接获取模型内部的条件概率，需要设计特定的prompt来估算
- 数值稳定性：实际计算中使用对数概率避免数值下溢问题
- 长度归一化：困惑度计算考虑了序列长度，使不同长度文本的困惑度可比
- 领域适应性：同一模型在不同领域文本上的困惑度可能有很大差异
这种方法虽然不能精确计算模型内部的概率，但可以很好地展示困惑度的计算原理和过程。
3. 评测实施方法
实施内在评测通常需要以下几个步骤：
- 第一步：准备代表性的测试文本集，这些文本应该涵盖不同的领域和风格；
- 第二步：使用模型计算这些文本的困惑度；
- 第三步：分析结果，识别模型在不同类型文本上的表现差异。
虽然内在评测提供了模型基础能力的重要信息，但它也有局限性。最重要的局限是：低困惑度并不总是意味着好的实际表现。模型可能会过拟合训练数据，在测试文本上表现出色，但在实际应用中却表现不佳。因此，内在评测应该与其他评测方法结合使用。
4. 示例：Qwen-max估算文本困惑度
这个示例展示了如何使用Qwen API估算文本的困惑度 并分步输出分析评估估算的具体细节。首先要设计好合适的prompt，让Qwen模型扮演语言模型专家的角色，直接返回困惑度数值。这种方法虽然不如直接计算精确，但提供了快速的估算方案，比较适用于初步评估和原型开发。
4.1 代码结构
import requests
import json
import re
import os
class QwenIntrinsicEvaluator:
def __init__(self, api_key):
self.api_key = api_key
self.api_url = "https://dashscope.aliyuncs.com/api/v1/services/aigc/text-generation/generation"
def estimate_perplexity_with_details(self, text):
"""
估算文本困惑度并返回详细计算过程
参数:
text: 要计算困惑度的文本
返回:
包含困惑度值和计算细节的字典
"""
# 构建详细的prompt，要求模型解释计算过程
prompt = f"""作为语言模型专家，请分析以下文本的语言建模难度，并估算其困惑度(PPL)值。
请详细解释你的计算过程，包括以下内容：
1. 文本的语言复杂性分析
2. 词汇的常见程度评估
3. 句法结构的复杂性
4. 最终估算的困惑度值及其解释
文本: "{text}"
请按以下格式回复：
【文本分析】
[对文本复杂性的分析]
【词汇评估】
[对词汇常见程度的评估]
【句法分析】
[对句法复杂性的分析]
【困惑度估算】
估算值: [数值]
解释: [对估算值的解释]
"""
headers = {
"Content-Type": "application/json",
"Authorization": f"Bearer {self.api_key}"
}
payload = {
"model": "qwen-max",
"input": {
"messages": [{"role": "user", "content": prompt}]
},
"parameters": {
"result_format": "text",
"max_tokens": 800,
"temperature": 0.1
}
}
try:
response = requests.post(self.api_url, headers=headers, data=json.dumps(payload))
result = response.json()
if "output" in result and "text" in result["output"]:
response_text = result["output"]["text"].strip()
# 解析响应内容
details = self._parse_response_details(response_text)
# 提取困惑度值
match = re.search(r"估算值:\s*([\d\.]+)", response_text)
if match:
details['perplexity'] = float(match.group(1))
else:
# 备用方法：尝试从文本中提取任何数字
num_match = re.search(r"(\d+\.\d+|\d+)", response_text)
if num_match:
details['perplexity'] = float(num_match.group())
else:
details['perplexity'] = None
details['full_response'] = response_text
return details
return None
except Exception as e:
print(f"API调用失败: {e}")
return None
def _parse_response_details(self, response_text):
"""解析模型响应中的详细信息"""
details = {
'text_analysis': '',
'vocabulary_assessment': '',
'syntax_analysis': '',
'explanation': ''
}
# 使用正则表达式提取各个部分
text_analysis_match = re.search(r"【文本分析】\s*(.*?)(?=【|$)", response_text, re.DOTALL)
vocab_match = re.search(r"【词汇评估】\s*(.*?)(?=【|$)", response_text, re.DOTALL)
syntax_match = re.search(r"【句法分析】\s*(.*?)(?=【|$)", response_text, re.DOTALL)
explanation_match = re.search(r"解释:\s*(.*?)(?=【|$)", response_text, re.DOTALL)
if text_analysis_match:
details['text_analysis'] = text_analysis_match.group(1).strip()
if vocab_match:
details['vocabulary_assessment'] = vocab_match.group(1).strip()
if syntax_match:
details['syntax_analysis'] = syntax_match.group(1).strip()
if explanation_match:
details['explanation'] = explanation_match.group(1).strip()
return details
# 使用示例
if __name__ == "__main__":
evaluator = QwenIntrinsicEvaluator(os.environ.get("DASHSCOPE_API_KEY"))
text = "语言模型的评测是一个重要的研究领域"
# 获取详细的困惑度分析
result = evaluator.estimate_perplexity_with_details(text)
if result and 'perplexity' in result:
print(f"文本: '{text}'")
print(f"估算困惑度值: {result['perplexity']}")
print("\n=== 详细分析 ===")
print(f"文本分析: {result.get('text_analysis', '无')}")
print(f"词汇评估: {result.get('vocabulary_assessment', '无')}")
print(f"句法分析: {result.get('syntax_analysis', '无')}")
print(f"解释: {result.get('explanation', '无')}")
print("\n=== 完整响应 ===")
print(result.get('full_response', '无'))
else:
print("无法计算困惑度")
4.2 输出结果
文本: '语言模型的评测是一个重要的研究领域'
估算困惑度值: 1.5
=== 详细分析 ===
文本分析: 该句"语言模型的评测是一个重要的研究领域"属于中文，句子结构相对简单直接，没有使用复杂的修辞手法或生僻词汇。从语义上看，这句话
表达了一个明确的观点，即“语言模型的评测”在学术界占据着重要地位。整体而言，对于具有一定中文基础的人来说理解起来并不困难。
词汇评估: - “语言模型”：这是一个专业术语，在自然语言处理（NLP）领域内较为常见。
- “评测”：普通词汇，但在此处特指对某种技术或方法进行评价和测试的过程。
- “是”、“一个”、“的”等词为常用连接词或助词。
- “重要”、“研究”、“领域”均为日常交流中频繁出现的词语。
综上所述，除了“语言模型”可能需要特定背景知识才能完全理解外，其他词汇都比较普遍易懂。
句法分析: 本句采用了典型的主谓宾结构：“[语言模型的评测] [是] [一个重要的研究领域]”。其中，“语言模型的评测”作为整个句子的主题；“是”起到
连接作用；而“一个重要的研究领域”则构成了句子的核心信息部分。这种构造方式符合汉语的基本语法规范，逻辑清晰，易于解析。
解释: 困惑度（Perplexity, PPL）是用来衡量语言模型预测下一个单词能力的一个指标，数值越低表示模型对该文本的理解越好。考虑到上述分析结果——即文本内容简洁明了、大部分词汇通俗易懂且句式结构简单——可以推测出对于训练良好的现代中文语言模型来说，这段话应该很容易被准确地理解和生成
。因此，我估计其PPL值大约位于1.5到2.0之间，表明模型能够以较高概率正确预测出每个词。当然，实际数值还需通过具体实验来确定。4.3 完整说明
【文本分析】
该句"语言模型的评测是一个重要的研究领域"属于中文，句子结构相对简单直接，没有使用复杂的修辞手法或生僻词汇。从语义上看，这句话表达了一个
明确的观点，即“语言模型的评测”在学术界占据着重要地位。整体而言，对于具有一定中文基础的人来说理解起来并不困难。
【词汇评估】
- “语言模型”：这是一个专业术语，在自然语言处理（NLP）领域内较为常见。
- “评测”：普通词汇，但在此处特指对某种技术或方法进行评价和测试的过程。
- “是”、“一个”、“的”等词为常用连接词或助词。
- “重要”、“研究”、“领域”均为日常交流中频繁出现的词语。
综上所述，除了“语言模型”可能需要特定背景知识才能完全理解外，其他词汇都比较普遍易懂。
【句法分析】
本句采用了典型的主谓宾结构：“[语言模型的评测] [是] [一个重要的研究领域]”。其中，“语言模型的评测”作为整个句子的主题；“是”起到连接作用；
而“一个重要的研究领域”则构成了句子的核心信息部分。这种构造方式符合汉语的基本语法规范，逻辑清晰，易于解析。
【困惑度估算】
估算值: 1.5 - 2.0
解释: 困惑度（Perplexity, PPL）是用来衡量语言模型预测下一个单词能力的一个指标，数值越低表示模型对该文本的理解越好。考虑到上述分析结果——即文本内容简洁明了、大部分词汇通俗易懂且句式结构简单——可以推测出对于训练良好的现代中文语言模型来说，这段话应该很容易被准确地理解和生成 。因此，我估计其PPL值大约位于1.5到2.0之间，表明模型能够以较高概率正确预测出每个词。当然，实际数值还需通过具体实验来确定。
4.4 注意细节
1. 代码使用正则表达式解析模型响应，提取以下信息：
- 文本分析：模型对文本整体复杂性的评估
- 词汇评估：对文本中词汇常见程度的分析
- 句法分析：对句子结构复杂性的评估
- 解释：对最终困惑度值的解释
2. 需要明确的是，通过API获取的困惑度值不是精确计算的结果，而是基于以下因素的估算：
- 词汇频率：文本中的词汇在训练数据中的出现频率
- 句法复杂性：句子结构的复杂程度
- 领域特异性：文本所属领域的专业性
- 上下文依赖：词汇之间的依赖关系和上下文影响
5. 适用场景
- 模型研发阶段：快速评估不同架构或参数的效果
- 预训练监控：训练过程中监控模型的语言理解能力
- 基础能力对比：比较不同模型的基础语言建模能力
- 资源受限环境：需要快速获得模型评估结果时
6. 局限性
- 不能完全反映实际应用效果
- 对测试数据质量敏感
- 可能过拟合特定类型的文本
7. 方法总结
- 内在评测核心：关注模型的基础语言建模能力，主要通过困惑度等指标衡量
- 困惑度意义：反映模型预测文本的不确定性，值越低表示模型越"自信"
- 实践应用：可以通过API快速估算，结合向量数据库实现领域特异性评估
- 综合评估：内在评测应与其他评估方法结合使用，避免单一指标误导
方法二：外在评测 — 检验实战
1. 基础介绍
核心思想： 将模型嵌入到一个具体的下游任务中，通过它在任务中的最终表现来评价它。这类似于学生的“毕业设计”或“入职实战”。
任务类型：任何具体的NLP任务，例如：
- 问答 (QA)：模型能准确回答基于上下文或知识库的问题吗？
- 文本摘要：模型能提炼出文章的核心意思吗？
- 情感分析：模型能判断一条评论是正面还是负面吗？
评价指标：
- 准确率 ：分类任务中，预测正确的比例。
- F1分数：精确率和召回率的调和平均，常用于问答、NER等。
- BLEU, ROUGE：常用于机器翻译和文本摘要，衡量生成文本和参考文本的相似度。
优点： 直接反映模型的实用价值，结果易于理解。
缺点： 评测成本高（需要构建测试数据集和流水线），结果受任务设计影响大。
流程图：
2. 多维度特性
- 准确性：模型提供的信息是否正确可靠
- 相关性：模型的回答是否与问题相关
- 完整性：回答是否全面覆盖问题的各个方面
- 有用性：回答是否具有实际应用价值
- 安全性：回答是否避免有害或偏见内容
3. 关键考虑因素
- 测试数据集的建设，需要覆盖各种可能的使用场景和边缘情况；
- 评估标准的确立，需要明确定义各个评估维度的具体标准；
- 评估过程的质量控制，需要确保评估结果的可靠性和一致性；
- 需要注意提示工程的重要性，精心设计的评估提示能够显著提高评估的准确性和一致性；
- 需要考虑评估成本和控制，因为大规模评估可能产生显著的API调用成本。
4. 指标的选择与权衡
- 精度与效率的权衡，一些精确的评估方法可能计算成本很高；
- 通用性与特异性的权衡，通用指标适用于多种模型，但可能无法捕捉特定应用的细微需求；
- 客观性与洞察力的权衡，统计指标客观但可能缺乏深度，而人工评估有深度但主观性强。
- 理想的做法是采用多指标综合评估，结合定量指标和定性分析，既保证评估的客观性，又获得深入的洞察。
5. 示例：Qwen-max外在评测准确率计算
5.1 代码结构
import requests
import json
import numpy as np
import pandas as pd
from sentence_transformers import SentenceTransformer
import faiss
import re
from typing import List, Dict, Any
import time
import os
class QwenAccuracyEvaluator:
def __init__(self, api_key: str, knowledge_base: List[str] = None):
"""
基于Qwen API的外在评测准确率计算系统
参数:
api_key: Qwen API密钥
knowledge_base: 知识库文本列表（可选，用于检索增强）
"""
self.api_key = api_key
self.api_url = "https://dashscope.aliyuncs.com/api/v1/services/aigc/text-generation/generation"
# 如果有知识库，构建Faiss索引
if knowledge_base:
self.knowledge_base = knowledge_base
self.embedder = SentenceTransformer('D:/modelscope/hub/models/sentence-transformers/all-MiniLM-L6-v2')
self._build_faiss_index()
self.use_rag = True
else:
self.use_rag = False
# 测试数据集 - 问答对
self.qa_test_set = [
{
"id": 1,
"question": "Python中如何创建一个空列表？",
"expected_answer": "可以使用方括号 [] 或 list() 函数创建空列表",
"acceptable_variations": [
"使用 [] 创建空列表",
"用 list() 创建空列表",
"空列表可以通过 [] 或 list() 创建"
]
},
{
"id": 2,
"question": "什么是机器学习？",
"expected_answer": "机器学习是人工智能的一个子领域，使计算机能够从数据中学习而不需要明确编程",
"acceptable_variations": [
"机器学习是AI的一个分支，让计算机从数据中学习",
"ML是计算机通过数据自动学习和改进的技术"
]
},
{
"id": 3,
"question": "如何在Python中打印'Hello, World!'？",
"expected_answer": "使用 print('Hello, World!')",
"acceptable_variations": [
"print('Hello, World!')",
"使用print函数打印Hello, World!"
]
}
]
def _build_faiss_index(self):
"""构建Faiss向量索引（如果使用知识库）"""
if not hasattr(self, 'knowledge_base'):
return
# 生成知识库文本的向量
knowledge_vectors = self.embedder.encode(self.knowledge_base)
self.dimension = knowledge_vectors.shape[1]
# 创建Faiss索引
self.index = faiss.IndexFlatL2(self.dimension)
self.index.add(knowledge_vectors.astype('float32'))
print(f"知识库索引构建完成，包含 {len(self.knowledge_base)} 条知识")
def _retrieve_relevant_texts(self, query: str, top_k: int = 3) -> List[str]:
"""检索相关文本（如果使用知识库）"""
if not hasattr(self, 'index'):
return []
# 生成查询向量
query_vector = self.embedder.encode([query])
# 检索相似文本
D, I = self.index.search(query_vector.astype('float32'), top_k)
retrieved_texts = []
for i in range(top_k):
if I[0][i] < len(self.knowledge_base):
retrieved_texts.append(self.knowledge_base[I[0][i]])
return retrieved_texts
def call_qwen_api(self, prompt: str, max_tokens: int = 500) -> str:
"""调用Qwen API生成文本"""
headers = {
"Content-Type": "application/json",
"Authorization": f"Bearer {self.api_key}"
}
payload = {
"model": "qwen-max", # 可以根据需要选择不同模型
"input": {
"messages": [
{
"role": "user",
"content": prompt
}
]
},
"parameters": {
"result_format": "text",
"max_tokens": max_tokens,
"temperature": 0.3 # 降低随机性，提高确定性
}
}
try:
response = requests.post(self.api_url, headers=headers, data=json.dumps(payload))
response.raise_for_status()
result = response.json()
if "output" in result and "text" in result["output"]:
return result["output"]["text"].strip()
return None
except Exception as e:
print(f"API调用失败: {e}")
return None
def generate_answer(self, question: str) -> str:
"""生成答案"""
if self.use_rag:
# 使用检索增强生成(RAG)
relevant_texts = self._retrieve_relevant_texts(question)
context = "\n".join(relevant_texts)
prompt = f"""基于以下上下文信息回答问题。如果信息不足，请明确说明。
上下文：
{context}
问题：
{question}
请提供准确、简洁的答案："""
else:
# 直接回答问题
prompt = f"""请回答以下问题。提供准确、完整的回答。
问题：{question}
回答："""
return self.call_qwen_api(prompt)
def evaluate_accuracy(self, generated_answer: str, expected_answer: str,
acceptable_variations: List[str] = None) -> Dict[str, Any]:
"""
评估生成答案的准确率
参数:
generated_answer: 模型生成的答案
expected_answer: 期望的标准答案
acceptable_variations: 可接受的答案变体列表
返回:
包含准确率评估结果的字典
"""
if not generated_answer:
return {
"is_correct": False,
"confidence": 0.0,
"match_type": "no_answer",
"explanation": "模型未生成答案"
}
# 标准化答案（小写、去除标点）
def normalize_text(text):
text = text.lower()
text = re.sub(r'[^\w\s]', '', text) # 移除标点符号
return text.strip()
gen_norm = normalize_text(generated_answer)
exp_norm = normalize_text(expected_answer)
# 1. 精确匹配检查
if gen_norm == exp_norm:
return {
"is_correct": True,
"confidence": 1.0,
"match_type": "exact",
"explanation": "生成答案与标准答案完全匹配"
}
# 2. 检查可接受的变体
if acceptable_variations:
for variation in acceptable_variations:
if gen_norm == normalize_text(variation):
return {
"is_correct": True,
"confidence": 0.9,
"match_type": "acceptable_variation",
"explanation": "生成答案与可接受变体匹配"
}
# 3. 关键词匹配检查
expected_keywords = set(exp_norm.split())
generated_keywords = set(gen_norm.split())
common_keywords = expected_keywords & generated_keywords
if len(common_keywords) >= len(expected_keywords) * 0.7: # 70%关键词匹配
keyword_coverage = len(common_keywords) / len(expected_keywords)
return {
"is_correct": True,
"confidence": keyword_coverage * 0.8, # 最高0.8置信度
"match_type": "keyword_based",
"explanation": f"关键词匹配度: {keyword_coverage:.2f}"
}
# 4. 使用Qwen API进行语义评估
evaluation_prompt = f"""请判断以下两个答案是否在语义上等价：
答案1: {expected_answer}
答案2: {generated_answer}
请只回复"是"或"否"，不要包含其他内容。"""
semantic_eval = self.call_qwen_api(evaluation_prompt, max_tokens=10)
if semantic_eval and "是" in semantic_eval:
return {
"is_correct": True,
"confidence": 0.7,
"match_type": "semantic",
"explanation": "语义评估认为答案等价"
}
# 5. 所有检查都失败，答案不正确
return {
"is_correct": False,
"confidence": 0.0,
"match_type": "incorrect",
"explanation": "答案不正确"
}
def run_accuracy_evaluation(self) -> List[Dict[str, Any]]:
"""运行准确率评测"""
results = []
correct_count = 0
for test_case in self.qa_test_set:
print(f"\n处理测试用例 {test_case['id']}: {test_case['question']}")
# 生成答案
generated_answer = self.generate_answer(test_case['question'])
if not generated_answer:
print("生成答案失败")
results.append({
"test_case_id": test_case["id"],
"question": test_case["question"],
"generated_answer": None,
"expected_answer": test_case["expected_answer"],
"is_correct": False,
"confidence": 0.0,
"match_type": "no_answer"
})
continue
print(f"生成答案: {generated_answer}")
# 评估准确率
accuracy_result = self.evaluate_accuracy(
generated_answer,
test_case["expected_answer"],
test_case.get("acceptable_variations", [])
)
# 更新正确计数
if accuracy_result["is_correct"]:
correct_count += 1
# 保存结果
result = {
"test_case_id": test_case["id"],
"question": test_case["question"],
"generated_answer": generated_answer,
"expected_answer": test_case["expected_answer"],
"is_correct": accuracy_result["is_correct"],
"confidence": accuracy_result["confidence"],
"match_type": accuracy_result["match_type"],
"explanation": accuracy_result["explanation"]
}
results.append(result)
# 打印当前结果
status = "正确" if accuracy_result["is_correct"] else "错误"
print(f"评估结果: {status} (置信度: {accuracy_result['confidence']:.2f})")
print(f"匹配类型: {accuracy_result['match_type']}")
# 添加延迟避免API限制
time.sleep(1)
# 计算总体准确率
total_cases = len(results)
accuracy = correct_count / total_cases if total_cases > 0 else 0
return results, accuracy
def generate_accuracy_report(self, results: List[Dict[str, Any]], accuracy: float) -> str:
"""生成准确率评测报告"""
if not results:
return "无评测结果"
# 创建报告
report_lines = [
"Qwen API外在评测准确率报告",
"=" * 60,
f"评测时间: {time.strftime('%Y-%m-%d %H:%M:%S')}",
f"测试用例数量: {len(results)}",
f"正确回答数量: {sum(1 for r in results if r['is_correct'])}",
f"总体准确率: {accuracy:.2%}",
"\n详细结果:",
"=" * 60
]
for result in results:
status = "✓" if result["is_correct"] else "✗"
report_lines.extend([
f"\n{status} 用例 {result['test_case_id']}:",
f"问题: {result['question']}",
f"生成答案: {result['generated_answer']}",
f"期望答案: {result['expected_answer']}",
f"匹配类型: {result['match_type']}",
f"置信度: {result['confidence']:.2f}",
f"解释: {result['explanation']}"
])
# 添加匹配类型统计
match_types = {}
for result in results:
match_type = result["match_type"]
match_types[match_type] = match_types.get(match_type, 0) + 1
report_lines.extend([
"\n匹配类型统计:",
"=" * 60
])
for match_type, count in match_types.items():
report_lines.append(f"{match_type}: {count}次")
return "\n".join(report_lines)
# 使用示例
if __name__ == "__main__":
# 配置参数
API_KEY = os.environ.get("DASHSCOPE_API_KEY")
# 可选的知识库数据
knowledge_base = [
"Python中可以使用方括号[]或list()函数创建空列表",
"机器学习是人工智能的一个子领域，使计算机能够从数据中学习",
"在Python中使用print()函数可以输出文本到控制台"
]
# 初始化评测器（可以选择是否使用知识库）
evaluator = QwenAccuracyEvaluator(API_KEY, knowledge_base)
# 运行准确率评测
print("开始准确率评测...")
results, accuracy = evaluator.run_accuracy_evaluation()
# 生成报告
if results:
report = evaluator.generate_accuracy_report(results, accuracy)
print(report)
# 保存报告到文件
with open('qwen_accuracy_report.txt', 'w', encoding='utf-8') as f:
f.write(report)
print("\n准确率报告已保存至 qwen_accuracy_report.txt")
else:
print("评测失败，无结果生成")5.2 输出结果
知识库索引构建完成，包含 3 条知识
开始准确率评测...
处理测试用例 1: Python中如何创建一个空列表？
生成答案: 在Python中，可以通过以下两种方式创建一个空列表：
1. 使用方括号 `[]`，例如：`my_list = []`
2. 使用 `list()` 函数，例如：`my_list = list()`
评估结果: 正确 (置信度: 0.70)
匹配类型: semantic
处理测试用例 2: 什么是机器学习？
生成答案: 机器学习是人工智能的一个子领域，它使计算机能够通过从数据中学习来改进其性能和决策能力，而无需进行明确的编
程。
评估结果: 正确 (置信度: 0.70)
匹配类型: semantic
处理测试用例 3: 如何在Python中打印'Hello, World!'？
生成答案: 在Python中打印'Hello, World!'，你可以使用以下代码：
```python
print('Hello, World!')
```
评估结果: 正确 (置信度: 0.70)
匹配类型: semantic
Qwen API外在评测准确率报告
============================================================
评测时间: 2025-09-08 19:56:45
测试用例数量: 3
正确回答数量: 3
总体准确率: 100.00%
详细结果:
============================================================
✓ 用例 1:
问题: Python中如何创建一个空列表？
生成答案: 在Python中，可以通过以下两种方式创建一个空列表：
1. 使用方括号 `[]`，例如：`my_list = []`
2. 使用 `list()` 函数，例如：`my_list = list()`
期望答案: 可以使用方括号 [] 或 list() 函数创建空列表
匹配类型: semantic
置信度: 0.70
解释: 语义评估认为答案等价
✓ 用例 2:
问题: 什么是机器学习？
生成答案: 机器学习是人工智能的一个子领域，它使计算机能够通过从数据中学习来改进其性能和决策能力，而无需进行明确的编
程。
期望答案: 机器学习是人工智能的一个子领域，使计算机能够从数据中学习而不需要明确编程
匹配类型: semantic
置信度: 0.70
解释: 语义评估认为答案等价
✓ 用例 3:
问题: 如何在Python中打印'Hello, World!'？
生成答案: 在Python中打印'Hello, World!'，你可以使用以下代码：
```python
print('Hello, World!')
```
期望答案: 使用 print('Hello, World!')
匹配类型: semantic
置信度: 0.70
解释: 语义评估认为答案等价
匹配类型统计:
============================================================
semantic: 3次
准确率报告已保存至 qwen_accuracy_report.txt5.3 核心组件
这个准确率评测系统包含以下核心组件：
- Qwen API集成：通过HTTP请求调用Qwen模型生成答案
- 知识库检索：使用Faiss实现检索增强生成(RAG)
- 多层级准确率评估：从精确匹配到语义评估的多层次评估策略
- 结果分析与报告：生成详细的准确率评测报告
5.4 评估策略
系统采用多层次的准确率评估策略：
第一层：精确匹配
if gen_norm == exp_norm:
return {
"is_correct": True,
"confidence": 1.0,
"match_type": "exact",
"explanation": "生成答案与标准答案完全匹配"
}- 标准化答案文本（小写、去除标点）
- 直接比较生成答案和标准答案
- 最高置信度(1.0)
第二层：可接受变体匹配
for variation in acceptable_variations:
if gen_norm == normalize_text(variation):
return {
"is_correct": True,
"confidence": 0.9,
"match_type": "acceptable_variation",
"explanation": "生成答案与可接受变体匹配"
}- 检查预定义的可接受答案变体
- 较高置信度(0.9)
第三层：关键词匹配
if len(common_keywords) >= len(expected_keywords) * 0.7:
keyword_coverage = len(common_keywords) / len(expected_keywords)
return {
"is_correct": True,
"confidence": keyword_coverage * 0.8,
"match_type": "keyword_based",
"explanation": f"关键词匹配度: {keyword_coverage:.2f}"
}- 提取标准答案和生成答案的关键词
- 计算关键词重叠率
- 置信度基于关键词覆盖率(最高0.8)
第四层：语义评估
evaluation_prompt = f"""请判断以下两个答案是否在语义上等价：
答案1: {expected_answer}
答案2: {generated_answer}
请只回复"是"或"否"，不要包含其他内容。"""
semantic_eval = self.call_qwen_api(evaluation_prompt, max_tokens=10)- 使用Qwen API进行语义等价性判断
- 中等置信度(0.7)
5.5 准确率计算过程
准确率的计算基于以下公式：
准确率 = 正确回答数量 / 总测试用例数量
其中，正确回答的判断标准是上述多层级评估中的任何一层返回is_correct: True。
6. 适用场景
- 应用选型：为特定任务选择最合适的模型
- 产品部署前：验证模型在实际场景中的表现
- 持续优化：监控模型在生产环境中的性能变化
- 领域适配：评估模型在特定领域的适用性
7. 局限性
- 测试数据泄露（训练数据与测试数据重叠）
- 评估指标选择不当
- 忽略领域特异性要求
8. 方法总结
- 外在评测核心：通过实际任务表现评估模型，关注实用性而非理论指标
- RAG架构价值：结合检索与生成，提高答案准确性和可解释性
- 多维度评估：需要从多个角度（准确性、相关性、流畅度等）综合评估
- 实践导向：外在评测结果直接影响模型的选择和优化方向
两种方法对比
| 维度 | 内在评测 | 外在评测 |
| 定义 | 评估模型基础语言能力 | 评估模型在具体任务中的表现 |
| 关注点 | 模型的语言建模基本功 | 模型的实际应用效果 |
| 评测环境 | 孤立、受控的实验室环境 | 真实或模拟的应用场景 |
| 主要指标 | 困惑度(PPL)、交叉熵损失 | 任务相关指标(准确率、F1值等) |
| 复杂度 | 相对简单、标准化 | 复杂、需要构建任务管道 |
| 成本 | 计算成本低 | 需要标注数据、人工评估 |
实践流程
一个完整的评测流程通常包括以下步骤：
- 明确目标： 我想测试模型的哪个方面，是通用能力还是某个专业领域？
- 选择方法： 主要用内在评测、外在评测还是其他方法
- 准备数据： 构建高质量的标准测试集（如一堆问题+标准答案）。
- 运行评测： 让模型在测试集上运行并收集结果。
- 分析结果： 计算各项指标，生成评测报告，分析优劣。
- 迭代优化： 根据评测结果指导模型的优化或筛选。
五、总结：
在选择模型时，不要只看宣传参数，更要关注它在与你任务相关的基准测试和外在实际任务中的表现，内在评测看基本功，外在评测看实战能力，两者相辅相成，结合使用才能全面评估一个模型。最重要的是，语言模型评估应该是一个持续的过程，而不是一次性的活动。而应该是持续的过程。这包括：定期重新评估以跟踪模型性能的变化；监控生产环境中的模型表现；建立反馈机制收集用户评价；持续更新测试数据集以反映新的使用场景和需求。
随着模型的发展和应用的扩展，评估也需要不断演进和完善。特别是在模型更新或微调后，需要进行全面的重新评估，确保性能提升不会带来新的问题。同时，也需要关注模型在不同用户群体中的表现差异，确保公平性和包容性。
有“AI”的1024 = 2048，欢迎大家加入2048 AI社区
更多推荐
35
0- 0
已为社区贡献19条内容
所有评论(0)