Benchmark modelu językowego – benchmark testujący możliwości modeli językowych takich jak duże modele językowe^[1]. Testy te mają na celu porównanie możliwości różnych modeli w takich obszarach jak rozumienie języka, generowanie i wnioskowanie.

Testy porównawcze zazwyczaj składają się ze zbioru danych i metryk ewaluacyjnych. Zbiór danych zawiera próbki tekstu i adnotacje, natomiast metryki mierzą wydajność modelu w zakresie takich zadań jak odpowiadanie na pytania, klasyfikacja tekstu i tłumaczenie maszynowe.

Benchmarki mogą zostać skategoryzowane względem różnych metryk do jednych z poniższych kategorii:

• Klasyczny – skupiają się na analizie statystycznej i często powstawały przed spopularyzowaniem mechanizmów uczenia głębokiego. Do przykładów zalicza się bank drzew i BLEU
• Odpowiadania na pytania – ta kategoria testów posiada pary pytań i odpowiedzi, często wielokrotnego wyboru^[2][3]
• Rozumowania – sprawdzająca kwestie rozumowania i wiedzy^[4]
• Agencji – sprawdzająca możliwości działania agenta, który może wykonywać takie operacje jak uruchamianie kodu^[5]

Można wyróżnić trzy typy oceny wyników benchamarka^[6]:

1. Automatyczna ocena np F1, dokładne dopasowanie, perpleksja^[7]
2. Ocena przez człowieka, pozwalający na jakościową ocenę odpowiedzi^[8]
3. LLM jako osoba oceniająca będący alternatywą do oceny przez człowieka^[9]

Jedna z najczęściej pojawiających krytyk odnośnie benchmarków jest dopasowanie modeli do danych testowych^[10][11]. Aplikowane jest również w tym kontekście prawo Goodharta^[12]. Oprócz tego zbiór pytań i odpowiedzi może posiadać błędy^[13] lub posiadać ambiwalentne odpowiedzi, gdzie ludzie nie byliby w stanie dać 100% odpowiedzi^{[14][15][16][17]}.

Podkreślany jest również fakt wyrywkowego podejścia do wybieranych benchmarków przez twórców modeli^[18].

Benchmark SQuAD w wersji 1.1 składa się z 100 tys. pytań stworzonych na bazie ponad 500 artykułów z Wikipedii. Każde zadanie składa się z podania artykułu i pytania, a odpowiedzią jest konkretne zdanie z odpowiedzią^[19]. Wersja 2.0 zawiera 50 tys. pytań bez odpowiedzi, gdzie na każde pytanie należy odpowiedzieć spacją^[20].

GPQA (ang. Google-Proof Q&A) składa się 448 pytań na poziomie doktoratu wielokrotnego wyboru napisanych przez ekspertów w dziedzinie biologii, fizyki i chemii. Podzbiór "Diamond" zawiera 198 najtrudniejszych pytań^[21]. OpenAI ustaliło, że eksperci osiągają średni wynik 69,7% w tym podzbiorze^[22].

Jako przykład benchmarku w kategorii rozumowania można wyróżnić Humanity's Last Exam. Posiada on 3000 multimodalnych pytań z ponad stu przedmiotów akademickich, z nieudostępnionym zbiorem odpowiedzi, aby zapobiec zanieczyszczeniu. 10% pytań wymaga zrozumienia zarówno tekstu, jak i obrazu, reszta opiera się wyłącznie na tekście. 80% pytań jest punktowanych poprzez dokładne dopasowanie ciągu znaków, reszta to pytania wielokrotnego wyboru^[23].