当前位置:首页 > 报告详情

构建LLM系统评估微观指标的框架.pdf

上传人: 竿*** 编号:981548 2025-11-29 70页 2.18MB

1、LLM Micro MetricsSeptember 20231Nov 2024Denys LinkovHead of MLSo youre thinking about changing a system prompt?2LLM Micro MetricsNov 2024You run all of your evaluations,they pass.3LLM Micro MetricsNov 2024You release,things are good until4LLM Micro MetricsNov 20241.Prompt in language2.Conversation i

2、n language3.Response in English!?5LLM Micro MetricsNov 20246LLM Micro MetricsNov 2024Building LLM platforms is challenging7LLM Micro MetricsNov 2024Voiceflow is an AI Agent Platform8LLM Micro MetricsNov 2024250k usersSome context on Voiceflows scale40+languages60+enterprisesWhat makes a good LLM res

3、ponse?9LLM Micro MetricsNov 2024Philosophical question right?10LLM Micro MetricsNov 20241.LLMs generate plausible responses2.People often dont agree on what is good11LLM Micro MetricsNov 2024Different Options for Scoring12LLM Micro MetricsNov 2024re.search(“Review0-9$,txt)dist.cos(“I like potatoes”,

4、“Potatoes”)gpt4(“I like potatoes”,“Potatoes”)rouge(“I like potatoes”,“Potatoes”)Lesson one The flaws of one metric13LLM Micro MetricsNov 2024Challenges with Semantic Similarity14LLM Micro MetricsNov 2024Flaws in Cosine Similarity15LLM Micro MetricsNov 2024Phrasetext-embedding-3-largebge-m3stella_en_

5、1.5BI am a potatoI am a humanI am hungry“I like to eat potatoes”Flaws in Cosine Similarity16LLM Micro MetricsNov 2024Phrasetext-embedding-3-largebge-m3stella_en_1.5BI am a potato0.7120.7120.8600.8600.9560.956I am a human0.3080.6490.947I am hungry0.430.7370.952“I like to eat potatoes”How about LLM as

6、 a judge?17LLM Micro MetricsNov 2024Prefer longer responses18Verbosity Bias in Preference Labeling by Large Language ModelsLLM Micro MetricsNov 2024Humans as judges?19LLM Micro MetricsNov 2024Standardized Exams20LLM Micro MetricsNov 2024“If you just graded them based on length without ever reading t

word格式文档无特别注明外均可编辑修改,预览文件经过压缩,下载原文更清晰!
三个皮匠报告文库所有资源均是客户上传分享,仅供网友学习交流,未经上传用户书面授权,请勿作商用。
根据报告的内容,全文主要围绕大型语言模型(LLM)的评估和监控展开,以下为关键点: 1. **LLM评估挑战**:评估LLM性能面临挑战,如语义相似性和余弦相似性的缺陷。 2. **Voiceflow平台**:Voiceflow是一个拥有25万用户、支持40多种语言的AI代理平台。 3. **LLM响应质量**:好的LLM响应应具备合理性、准确性、适当长度和格式。 4. **模型作为系统**:需要监控LLM系统,包括日志、指标和跟踪,以观察结果。 5. **业务指标**:关注业务指标,如NSFW响应的成本、不良法律建议的成本等。 6. **LLM成熟度**:LLM指标成熟度分为“爬行”、“行走”和“奔跑”三个阶段,每个阶段有不同的技术要求和业务目标。 7. **关键教训**:单指标有缺陷,应将模型视为系统,构建能预警用户问题的指标,关注业务方向,避免过度复杂化。
"LLM评分难题揭秘" "构建LLM平台挑战多" "LLM评估指标全解析"
客服
商务合作
小程序
服务号
折叠