来源：PaperWeekly
本文约2300字，建议阅读9分钟本文介绍了最新发布的中文自然语言评估指数—智源指数。

作为深度学习研究的重要组成部分，评测 benchmark 扮演着评估模型性能、指导研究方向的重要角色。在自然语言处理中，针对英文任务的评测 benchmark 有 GLUE，SuperGLUE，针对中文任务的有 CLUE，这些都为自然语言处理的迅速发展奠定了基础，但随着预训练模型，尤其是大模型的不断涌现，这些评测benchmark的指引作用越来越小，在很多榜单上模型的性能已超越所谓的“人类水平”，但模型的语言理解与应用能力相比人类的认知水平仍有较大差距。那么，如何来准确标定这种差距，并在未来的发展中继续发挥评测 benchmark 的指导作用，成为了一个亟需解决的核心问题。

为解决这一问题，智源研究院发布了中文自然语言评估指数—智源指数 CUGE（Chinese language Understanding and Generation Evaluation），这是一个多层次、多维度、全面系统的中文评测体系。和现有的评测 benchmark 相比，CUGE 在任务（数据）选择，评估标准，评测方式三大方面进行了改进，实现了更加科学、规范、高质量的模型效果评估。

01 任务（数据）选择

现有的评测 benchmark 大多是数据驱动的，通过选择常用的数据集构成评测数据集集合，而且更多关注于语言理解及表示能力，对其他语言能力（例如生成，数学推理，多语言等）并没有给予太多的关注，而且 benchmark 中的数据集组成非常松散，对模型的语言能力评估比较粗糙。与之相对的，如上图所示，CUGE 通过能力-任务-数据这样自顶向下的层次化结构选择更具代表性的任务以及数据集，从而实现模型语言能力更全面的评估。

具体而言，CUGE 借助中国高考评价体系中的评估标准和自然语言处理研究现状，筛选出评估模型的7种重要语言能力，然后针对这些语言能力，选择了 17 个主流的评估任务以及对应的 19 个代表性数据集作为最终的评测 benchmark 组成，具体可以总结为如下形式：

• 词句级语言理解能力：中文分词、词性标注、古诗匹配、命名实体识别、实体关系抽取；

• 篇章级语言理解能力：幽默检测、故事完形填空、阅读理解；

• 信息获取及问答能力：反向词典、开放域问答、文档检索；

• 语言生成能力：摘要生成、数据到文本生成；

• 对话交互能力：知识驱动的对话生成；

• 多语言能力：机器翻译、跨语言摘要；

• 数学推理能力：数值计算。

整体数据集组成如下图所示：

02 评估标准

现有的 benchmark 基本上都是选择比较单一的评估标准（准确率，F1 等），针对模型在所有的数据集上性能取平均作为模型的最终评估效果。而 CUGE 有两方面的改进：

1. 单数据集评估：CUGE 不再是直接使用模型的性能作为评估结果，而是为所有的评估模型选择一个基线模型（mT5-Small），利用该基线模型在数据集上的效果，对需要评估模型的结果进行归一化，从而使得实验结果更合理，同时在不同的数据集之间更具可比性。

2. 多层次的评估标准：借助 “能力-任务-数据”层次化结构，CUGE 能够实现模型的多维度评估，防止对某个评估标准进行“刷榜”，从而能够更好的指导针对模型语言能力的研究。具体可分为三个层次：

• 任务级别性能评估：对指定任务下的数据集模型结果做归一化平均；

• 能力指标性能评估：对指定能力，不同任务下的模型结果进行平均；

• 全局指标性能评估：对所有能力下的模型结果进行平均。

03 评测方式

CUGE 的评测方式更加方便、直观和人性化。具体表现在：

1. 支持根据具体需求定制对应的评测能力、任务和数据集，通过勾选，实现显示所关心能力和任务的评测。

2. 提供丰富的数据样例使用教程，让用户更容易上手使用。

3. 提供更加直观的模型效果展示图，利用雷达图呈现模型在7种重要语言能力的性能分布以及提升效果，可辅助研究者进行针对性地分析和改进。相关展示如下图所示：

4. 确保数据集的更新和动态维护，CUGE 会不断吸收新的数据和任务，保证 CUGE 对机器语言能力研究的持续指导作用。

04 总结

当前自然语言处理领域的评测 benchmark 非常多，被大模型们反复“刷榜”。最近谷歌的一个工作指出，现有的 benchmark 并不能做到对模型的公平性评测，反映出评测本身是一个开放性的难题。而智源指数的提出，是希望通过持续不断地改进和更新 benchmark，让更多的研究工作回归提升机器语言能力本身上，准确鉴别出真正的好技术。同时，基于每年的评测情况，来向大家展示机器语言能力的发展现状，共同推进自然语言处理领域的发展。

参考资料

[1] CUGE: A Chinese Language Understanding and Generation Evaluation Benchmark. https://arxiv.org/pdf/2112.13610.pdf

[2] 智源指数: http://cuge.baai.ac.cn/#/

[3] GLUE: https://gluebenchmark.com/

[4] SuperGLUE: https://super.gluebenchmark.com/

[5] CLUE: https://chineseglue.github.io/index.html

[6] AI and the Everything in the Whole Wide World Benchmark

编辑：王菁

校对：林亦霖