THUDM / LongBench

[ACL 2024] LongBench: A Bilingual, Multitask Benchmark for Long Context Understanding
MIT License
675 stars 54 forks source link

chatglm3-6b-32k的中文测试结果远远低于README里的benchmark #59

Closed Strivin0311 closed 8 months ago

Strivin0311 commented 8 months ago
我个人在longbench的5个中文任务上测试了一下chatglm3-6b-32k的分数,用的默认的load方式和默认的generation_config参数,也用了greedy search的参数,但是结果远远低于README里记录的benchmark(分数如下所示),想请问一下你们测试的时候,是用的什么generation_config呀? task my score (default sampling) my score (greed search) benchmark score
vcsum 0.165 0.167 0.178
multifieldqa_zh 0.537 0.545 0.623
dureader 0.388 0.415 0.448
lsht 0.181 0.281 0.420
passage_retrieval_zh 0.400 0.345 0.940
Strivin0311 commented 8 months ago

用了新版的代码,分数已经和官方的一致了,问题应该出在chatglm3的build_chat部分~

bys0318 commented 8 months ago

嗯对,是这样的

BeautyCJ commented 5 months ago

请问官方发布的benchmark中各模型是如何解码的?greedy search(top_p=0, temperature=1)吗?@bys0318

BeautyCJ commented 5 months ago

用了新版的代码,分数已经和官方的一致了,问题应该出在chatglm3的build_chat部分~

请问这里用的是 greedy search解码吗?如果用generation_config里的跑出来差别大吗?

bys0318 commented 5 months ago

请问官方发布的benchmark中各模型是如何解码的?greedy search(top_p=1, temperature=1)吗?@bys0318

是的