/ Модель

Характеристики

Контекст
8 192 токена
Параметры
7,5 млрд
Размер весов
16,1 ГБ
Лицензия
Apache 2.0
Архитектура
llama · dense
Базовая модель
Meta-Llama-3-8B
Опубликована
27 июн 2024

Themis

Генерация текстаТекст → текст8 профессий

Themis — дообученная языковая модель для гибкой оценки качества сгенерированных текстов без эталонного ответа, с объяснением выставленной оценки.

938скачиваний за 30 дней9лайковвеса обновлены22 фев 2025

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Тесты пользователейпока нет

Никто ещё не опубликовал тест этой модели. Соберите бенчмарк из своих задач — результат появится здесь.

  1. Добавьте модель в бенчмарк

    Вместе с другими моделями категории «Текст» — сравнение идёт внутри одной категории.

  2. Опишите свои задачи

    Напишите запросы, при необходимости приложите файлы и эталонные ответы.

  3. Запустите и опубликуйте

    Модели ответят на каждую задачу, судья оценит ответы. Опубликованный результат появится на этой странице.

Публичные оценки

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

В подключённых источниках результатов для этой модели пока нет.

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

Themis — языковая модель на архитектуре Llama, разработанная PKU-ONELab для оценки качества текстов, созданных системами генерации естественного языка. Модель дообучена на базе meta-llama/Meta-Llama-3-8B; в репозитории указано 7,5 млрд параметров, формат весов — Safetensors, контекст — до 8192 токенов. Для работы требуется текстовый ввод, результат выдаётся в текстовом формате.

Модель оценивает тексты без эталонного ответа, в том числе ответы на вопросы, суммаризации, диалоги, описания данных, истории и машинный перевод. Можно задавать критерии оценки — от общей оценки качества до отдельных аспектов; модель также формирует анализ и объяснение оценки. Авторы сообщают о результатах экспериментов на нескольких наборах данных и о проверках на новых задачах, но карточка не содержит полного описания метода и результатов. Модель распространяется по лицензии Apache-2.0.

Сценарии применения

  • оценка качества ответов на вопросы без эталонного ответа
  • оценка кратких пересказов по заданным критериям
  • сравнение вариантов ответов чат-бота
  • оценка фактической точности сгенерированного текста
  • оценка текстов, созданных из структурированных данных
  • оценка качества машинного перевода

Ограничения

Модель предназначена для оценки текстов, а не для независимого подтверждения фактов; оценки могут зависеть от формулировки критериев и не заменяют проверку человеком. В карточке не приведены полные инструкции по использованию и подробные результаты экспериментов.

Для каких профессий подходит8

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Также подходит для

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Themis

Themis: A Reference-free NLG Evaluation Language Model with Flexibility and Interpretability

Paper: https://aclanthology.org/2024.emnlp-main.891

Github: https://github.com/PKU-ONELab/Themis

Introduction

We propose Themis, an 8B-parameter large language model (LLM) specifically designed and trained for NLG evaluation with more comprehensive capabilities.

Our Themis can evaluate various NLG tasks, including uncommon ones like question-answering evaluation (Versatility), in a reference-free manner (Independence). Moreover, it allows for specific and customized evaluation aspects and criteria, including overall quality and more fine-grained aspects (Flexibility), and its evaluation contains corresponding analysis and explanation together with the rating (Interpretability).

We believe that an ideal evaluator should be convenient to use and possess these characteristics. The comparison between related methods and Themis is shown in the table below.

MethodVersatilityIndependenceFlexibilityInterpretabilityOpen-source
UniEval❌❌✔️❌✔️
G-Eval✔️✔️✔️✔️❌
X-Eval✔️❌✔️❌❌
Prometheus✔️❌✔️✔️✔️
Auto-J✔️✔️❌✔️✔️
InstructScore✔️❌❌✔️✔️
TIGERScore✔️✔️❌✔️✔️
Themis (Ours)✔️✔️✔️✔️✔️

Performance

We implement experiments on several common NLG evaluation tasks and datasets to compare our Themis with other methods, including SummEval for summarization, Topical-Chat for dialogue response generation, SFRES&SFHOT for data-to-text, QAGS for factuality, MANS for story generation, and WMT23 zh-en for machine translation. Experimental results show that our Themis achieves better overall evaluation performance over other evaluation models, including GPT-4.

MethodSummEvalTopical-ChatSFHOT& SFRESQAGSMANSWMT23Average Spearman
BLEU0.0750.3880.024-0.0320.021-
ROUGE0.1520.4120.101--0.0020.151-
BARTScore0.3290.0860.2080.4250.3500.1180.253
BERTScore0.2310.3940.139-0.2850.219-
BLEURT0.1520.3880.244-0.1380.263-
CometKiwi0.2280.3400.2510.0940.2510.3430.251
UniEval0.4740.5770.282----
G-Eval (GPT-3.5)0.4090.585-0.461---
G-Eval (GPT-4)0.5230.588-0.611---
GPT-3.5 Turbo0.4160.5780.3060.4310.3280.3470.401
GPT-4 Turbo0.5110.7460.3200.6370.4730.4370.521
X-Eval0.4800.6050.3030.578---
Prometheus-13B0.1630.4340.173-0.0070.129-
Auto-J-13B0.1980.4250.1410.2260.3800.1040.246
TIGERScore-13B0.3840.3460.2000.5040.2310.2480.319
InstructScore-7B0.2580.2410.247-0.2980.219-
Themis-8B (ours)0.5530.7250.3330.6840.5510.4050.542

We further conduct more in-depth analyses, including generalization tests on unseen tasks like the instruction-following evaluation as well as aspect-targeted perturbation tests, and our Themis also exhibits superior evaluation performance. For more experimental results and details, please refer to our paper.

Requirements and Usage

Please refer to our github repo for more details.

Citation

@inproceedings{hu2024themis,
  title={Themis: A Reference-free NLG Evaluation Language Model with Flexibility and Interpretability},
  author={Hu, Xinyu and Lin, Li and Gao, Mingqi and Yin, Xunjian and Wan, Xiaojun},
  booktitle={Proceedings of the 2024 Conference on Empirical Methods in Natural Language Processing},
  pages={15924--15951},
  year={2024}
}

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм

Можно запустить

Подбираем GPU…

Класс архитектуры
LlamaForCausalLM
Ревизия весов
3c34500

0 моделей