En esta página, se proporciona una descripción general de nuestras métricas de evaluación actuales y cómo usar cada una.
Métricas por puntos versus por pares
Debes identificar tu objetivo de evaluación antes de determinar qué métricas aplicar. Esto incluye determinar si se debe realizar una evaluación por puntos o por pares, como se menciona en Paradigmas de evaluación.
| Paradigma |
Cuándo usar |
| Por puntos |
Comprende cómo se comporta tu modelo en producción:
- Explora las fortalezas y debilidades de un solo modelo.
- Identificar en qué comportamientos debes enfocarte cuando se realizan ajustes.
- Obtén el rendimiento de referencia de un modelo.
|
| Por pares |
Determina qué modelo poner en producción:
- Elige entre los tipos de modelo. Por ejemplo, Gemini-Pro en comparación con Claude 3.
- Elige entre diferentes mensajes.
- Determina si el ajuste hizo mejoras en un modelo de referencia.
|
Tareas y métricas
Puedes evaluar los modelos de lenguaje grande (LLM) en las siguientes cuatro tareas generales:
Para cada tarea, puedes evaluar los LLM mediante un conjunto fijo de métricas detalladas, como la calidad, la relevancia y la utilidad. Puedes evaluar cualquier combinación de estas métricas en una instancia de evaluación determinada. Para cada métrica, debes especificar los parámetros de entrada.
Para ayudarte a identificar qué tareas y métricas deseas evaluar, considera el rol de tu modelo y los comportamientos del modelo que son más importantes para ti.
Resúmenes
Las siguientes métricas te ayudan a evaluar el resumen de modelos.
Calidad
La métrica summarization_quality describe la capacidad del modelo para resumir texto.
- Compatibilidad en pares: Sí
- Límite de tokens: 4,096
Criterios de evaluación
| Criterio de evaluación |
Descripción |
| Sigue las instrucciones |
La respuesta del modelo demuestra una comprensión de las instrucciones del mensaje. |
| Con fundamento |
La respuesta incluye solo información del contexto de la inferencia y la instrucción de la inferencia. |
| Amplia |
El modelo captura detalles importantes al resumir. |
| Breve |
El resumen no es demasiado extenso ni demasiado breve. |
| Parámetro de entrada |
Descripción |
instruction | Instrucciones de resumen proporcionadas en el momento de la inferencia. Las instrucciones pueden incluir información como el tono y el formato. Por ejemplo, Summarize the text from the point of view
of the computer, including all references to AI. |
context |
El texto que se resumirá. |
prediction |
La respuesta de LLM de los parámetros instruction y context. |
baseline_prediction (solo en pares) |
La respuesta del LLM de referencia que se comparará con prediction. Ambas respuestas comparten los mismos instruction y context. |
Puntuaciones de salida puntuales
| Valor |
Descripción |
| 1 |
Muy malo |
| 2 |
Malo |
| 3 |
Aceptar |
| 4 |
Buena |
| 5 |
Muy buena |
Utilidad
La métrica summarization_helpfulness describe la capacidad del modelo de satisfacer la consulta de un usuario. Para ello, resume los detalles relevantes en el texto original sin una pérdida significativa de información importante.
- Compatibilidad en pares: No
- Límite de tokens: 4,096
Criterios de evaluación
| Criterio de evaluación |
Descripción |
| Amplia |
El modelo captura detalles importantes para satisfacer la consulta del usuario. |
| Parámetro de entrada |
Descripción |
instruction | Instrucciones de resumen proporcionadas en el momento de la inferencia. Las instrucciones pueden incluir información como el tono y el formato. Por ejemplo, Summarize the text from the point of view
of the computer, including all references to AI. |
context |
El texto que se resumirá. |
prediction |
La respuesta de LLM de los parámetros instruction y context. |
Puntuaciones de salida puntuales
| Valor |
Descripción |
| 1 |
Poco útil |
| 2 |
Algo inútil |
| 3 |
Neutral |
| 4 |
Bastante útiles |
| 5 |
Útil |
Verbosidad
La métrica summarization_verbosity mide si un resumen es demasiado largo o demasiado corto.
- Compatibilidad en pares: No
- Límite de tokens: 4,096
Criterios de evaluación
| Criterio de evaluación |
Descripción |
| Breve |
La respuesta no es demasiado extensa ni demasiado breve. |
| Parámetro de entrada |
Descripción |
instruction | Instrucciones de resumen proporcionadas en el momento de la inferencia. Las instrucciones pueden incluir información como el tono y el formato. Por ejemplo, Summarize the text from the point of view
of the computer, including all references to AI. |
context |
El texto que se resumirá. |
prediction |
La respuesta de LLM de los parámetros instruction y context. |
Puntuaciones de salida puntuales
| Valor |
Descripción |
| -2 |
Terso |
| -1 |
Algo terso |
| 0 |
Óptimo |
| 1 |
Algo verboso |
| 2 |
Verboso |
Búsqueda de respuestas
Las siguientes métricas te ayudan a evaluar la capacidad de un modelo para responder preguntas.
Calidad
La métrica question_answering_quality describe la capacidad del modelo para responder preguntas con un cuerpo de texto al cual hacer referencia.
- Compatibilidad en pares: Sí
- Límite de tokens: 4,096
Criterios de evaluación
| Criterio de evaluación |
Descripción |
| Sigue las instrucciones |
The response answers the question and follows any instructions. |
| Con fundamento |
La respuesta incluye solo información del contexto de inferencia y de la instrucción de inferencia. |
| Relevancia |
La respuesta contiene detalles relevantes para la instrucción. |
| Amplia |
El modelo captura detalles importantes de la pregunta. |
| Parámetro de entrada |
Descripción |
instruction | La pregunta que se responderá y las instrucciones de respuesta se proporcionan en el momento de la inferencia. Las instrucciones pueden incluir información como el tono y el formato. Por ejemplo, How
long does it take to bake the apple pie? Give an overestimate and an
underestimate in your response. |
context |
The text to reference when answering the question. In our example for inference_instruction, this might include the text on a page of a cooking website. |
prediction |
La respuesta de LLM de los parámetros instruction y context. |
baseline_prediction (solo en pares) | La respuesta del LLM del modelo de referencia que se comparará con prediction. Ambas respuestas comparten el mismo instruction y context. |
Puntuaciones de salida puntuales
| Valor |
Descripción |
| 1 |
Muy malo |
| 2 |
Malo |
| 3 |
Aceptar |
| 4 |
Buena |
| 5 |
Muy buena |
Utilidad
La métrica QuestionAnsweringHelpfulness describe la capacidad del modelo de proporcionar detalles importantes cuando se responde una pregunta.
- Compatibilidad en pares: No
- Límite de tokens: 4,096
Criterios de evaluación
| Criterio de evaluación |
Descripción |
| Útil |
La respuesta satisface la consulta del usuario. |
| Amplia |
El modelo captura detalles importantes para satisfacer la consulta del usuario. |
| Parámetro de entrada |
Descripción |
instruction |
La pregunta que se responderá y las instrucciones de respuesta proporcionadas en el momento de la inferencia. Por ejemplo, How
long does it take to bake the apple pie? Give an overestimate and an
underestimate in your response. |
context |
The text to reference when answering the
question. In our example for inference_instruction, this
might include the text on a page of a cooking website. |
prediction |
La respuesta de LLM de los parámetros instruction y context. |
Puntuaciones de salida puntuales
| Valor |
Descripción |
| 1 |
Poco útil |
| 2 |
Algo inútil |
| 3 |
Neutral |
| 4 |
Bastante útiles |
| 5 |
Útil |
Precisión
La métrica QuestionAnsweringCorrectness describe la capacidad del modelo para responder una pregunta de forma correcta.
- Compatibilidad en pares: No
- Límite de tokens: 4,096
Criterios de evaluación
| Criterio de evaluación |
Descripción |
| Contiene todas las reclamaciones de referencia |
La respuesta contiene todas las reclamaciones de la referencia. |
| Doesn't include more claims than the reference |
La respuesta no contiene reclamaciones que no están presentes en la referencia. |
| Parámetro de entrada |
Descripción |
instruction | La pregunta que se responderá y las instrucciones de respuesta se proporcionan en el momento de la inferencia. Las instrucciones pueden incluir información como el tono y el formato. Por ejemplo, How
long does it take to bake the apple pie? Give an overestimate and an
underestimate in your response. |
context |
El texto al que se hace referencia cuando se responde la pregunta. Por ejemplo, el texto de una página de un sitio web de cocina. |
prediction |
La respuesta de LLM de los parámetros instruction y context. |
reference |
La respuesta dorada de LLM como referencia. |
Puntuaciones de salida puntuales
| Valor |
Descripción |
| 0 |
Incorrecto |
| 1 |
Correcto |
Relevancia
The QuestionAnsweringRelevance metric describes the model's
ability to respond with relevant information when asked a question.
- Compatibilidad en pares: No
- Límite de tokens: 4,096
Criterios de evaluación
| Criterio de evaluación |
Descripción |
| Relevancia |
La respuesta contiene detalles relevantes para la instrucción. |
| Claridad |
La respuesta proporciona información definida con claridad que aborda la instrucción de forma directa. |
| Parámetro de entrada |
Descripción |
instruction | La pregunta que se responderá y las instrucciones de respuesta proporcionadas en el momento de la inferencia. Las instrucciones pueden incluir información como el tono y el formato. Por ejemplo, How
long does it take to bake the apple pie? Give an overestimate and an
underestimate in your response. |
context |
El texto al que se hace referencia cuando se responde la pregunta.
En nuestro ejemplo de inference_instruction, esto podría incluir el texto de una página de un sitio web de cocina. |
prediction |
La respuesta de LLM de los parámetros instruction y context. |
Puntuaciones de salida puntuales
| Valor |
Descripción |
| 1 |
No es relevante |
| 2 |
Algo irrelevante |
| 3 |
Neutral |
| 4 |
Algo relevante |
| 5 |
Relevante |
Las siguientes métricas te ayudan a evaluar la capacidad del modelo para predecir una llamada de herramienta válida.
Llamada válida
La métrica tool_call_valid describe la capacidad del modelo para predecir una llamada de herramienta válida. Solo se inspecciona la primera llamada a la herramienta.
- Compatibilidad en pares: No
- Límite de tokens: Ninguno
Criterios de evaluación
| Criterio de evaluación |
Descripción |
| Validez |
El resultado del modelo contiene una llamada de herramienta válida. |
| Formato |
Un diccionario JSON contiene los campos name y arguments. |
| Parámetro de entrada |
Descripción |
prediction |
El resultado del modelo candidato, que es una cadena serializada JSON que contiene las claves content y tool_calls. El valor content es la salida de texto del modelo. El valor tool_calls es una cadena serializada JSON de una lista de llamadas a las herramientas. Aquí tienes un ejemplo:
{"content": "", "tool_calls": [{"name":
"book_tickets", "arguments": {"movie": "Mission Impossible Dead Reckoning
Part 1", "theater":"Regal Edwards 14", "location": "Mountain View CA",
"showtime": "7:30", "date": "2024-03-30","num_tix": "2"}}]} |
reference |
La predicción de referencia de verdad fundamental, que sigue el mismo formato que prediction. |
Puntuaciones de salida
| Valor |
Descripción |
| 0 |
Llamada a la herramienta no válida |
| 1 |
Llamada a la herramienta válida |
Coincidencia con el nombre
La métrica ToolNameMatch describe la capacidad del modelo para predecir una llamada a la herramienta con el nombre correcto de la herramienta. Solo se inspecciona la primera llamada a la herramienta.
- Compatibilidad en pares: No
- Límite de tokens: Ninguno
Criterios de evaluación
| Criterio de evaluación |
Descripción |
| Sigue las instrucciones |
La llamada a la herramienta prevista por el modelo coincide con el nombre de la llamada a la herramienta de referencia. |
| Parámetro de entrada |
Descripción |
prediction |
El resultado del modelo candidato, que es una cadena serializada JSON que contiene las claves content y tool_calls. El valor content es la salida de texto del modelo. El valor tool_call es una cadena serializada JSON de una lista de llamadas a las herramientas. Aquí tienes un ejemplo:
{"content": "","tool_calls": [{"name": "book_tickets", "arguments":
{"movie": "Mission Impossible Dead Reckoning Part 1", "theater":"Regal
Edwards 14", "location": "Mountain View CA", "showtime": "7:30", "date":
"2024-03-30","num_tix": "2"}}]} |
reference |
La predicción de referencia de verdad fundamental, que sigue el mismo formato que el prediction. |
Puntuaciones de salida
| Valor |
Descripción |
| 0 |
El nombre de la llamada a la herramienta no coincide con la referencia. |
| 1 |
El nombre de la llamada a la herramienta coincide con la referencia. |
Coincidencia de clave de parámetro
La métrica ToolParameterKeyMatch describe la capacidad del modelo de predecir una llamada de herramienta con los nombres de parámetros correctos.
- Compatibilidad en pares: No
- Límite de tokens: Ninguno
Criterios de evaluación
| Criterio de evaluación |
Descripción |
| Proporción de coincidencia de parámetros |
The ratio between the number of predicted parameters that match the
parameter names of the reference tool call and the total number of
parameters. |
| Parámetro de entrada |
Descripción |
prediction |
El resultado del modelo candidato, que es una cadena serializada JSON que contiene las claves content y tool_calls. El valor content es la salida de texto del modelo. El valor tool_call es una cadena serializada JSON de una lista de llamadas a las herramientas. Aquí tienes un ejemplo:
{"content": "", "tool_calls": [{"name": "book_tickets", "arguments":
{"movie": "Mission Impossible Dead Reckoning Part 1", "theater":"Regal
Edwards 14", "location": "Mountain View CA", "showtime": "7:30", "date":
"2024-03-30","num_tix": "2"}}]} |
reference |
La predicción del modelo de referencia de verdad fundamental, que sigue el mismo formato que prediction. |
Puntuaciones de salida
| Valor |
Descripción |
| Un número de punto flotante en el rango de [0,1] |
La puntuación más alta de 1 significa que más parámetros coinciden con los nombres de los parámetros reference. |
Coincidencia de KV del parámetro
La métrica ToolParameterKVMatch describe la capacidad del modelo de predecir una llamada de herramienta con los nombres de parámetros y los valores clave correctos.
- Compatibilidad en pares: No
- Límite de tokens: Ninguno
Criterios de evaluación
| Criterio de evaluación |
Descripción |
| Proporción de coincidencia de parámetros |
La proporción entre la cantidad de parámetros previstos que coinciden con los nombres y los valores de los parámetros de la llamada a la herramienta de referencia y la cantidad total de parámetros. |
| Parámetro de entrada |
Descripción |
prediction |
El resultado del modelo candidato, que es una cadena serializada JSON que contiene las claves content y tool_calls. El valor content es la salida de texto del modelo. El valor tool_call es una cadena serializada JSON de una lista de llamadas a las herramientas. Aquí tienes un ejemplo:
{"content": "", "tool_calls": [{"name": "book_tickets", "arguments":
{"movie": "Mission Impossible Dead Reckoning Part 1", "theater":"Regal
Edwards 14", "location": "Mountain View CA", "showtime": "7:30", "date":
"2024-03-30","num_tix": "2"}}]} |
reference |
La predicción de la referencia de verdad fundamental, que sigue el mismo formato que prediction |
Puntuaciones de salida
| Valor |
Descripción |
| Un número de punto flotante en el rango de [0,1] |
La puntuación más alta de 1 significa que más parámetros coinciden con los nombres y valores de los parámetros reference. |
Generación de texto general
Las siguientes métricas te ayudan a evaluar la capacidad del modelo a fin de garantizar que las respuestas sean útiles, seguras y eficaces para tus usuarios.
exact_match
La métrica exact_match calcula si un parámetro de predicción coincide de forma exacta con un parámetro de referencia.
- Compatibilidad en pares: No
- Límite de tokens: Ninguno
Criterios de evaluación
| Criterio de evaluación |
Descripción |
| Concordancia exacta |
La respuesta coincide de forma exacta con el parámetro reference. |
| Parámetro de entrada |
Descripción |
prediction |
La respuesta de LLM. |
reference |
La respuesta dorada de LLM como referencia. |
Puntuaciones de salida puntuales
| Valor |
Descripción |
| 0 |
Sin coincidencias |
| 1 |
Coincidente |
bleu
La métrica bleu (BiLingual Evaluation Understudy) contiene el resultado de un algoritmo para evaluar la calidad de la predicción, que se tradujo de un lenguaje natural a otro. La calidad de la predicción se considera la correspondencia entre un parámetro prediction y su parámetro reference.
- Compatibilidad en pares: No
- Límite de tokens: Ninguno
Criterios de evaluación
No aplicable.
| Parámetro de entrada |
Descripción |
prediction |
La respuesta de LLM. |
reference |
La respuesta dorada del LLM para la referencia. |
Puntuaciones de salida
| Valor |
Descripción |
| Un número de punto flotante en el rango de [0,1] |
La puntuación más alta de 1 significa que más parámetros coinciden con los nombres y valores de los parámetros reference. |
rouge
La métrica rouge se usa para comparar el parámetro prediction proporcionado con un parámetro reference.
- Compatibilidad en pares: No
- Límite de tokens: Ninguno
Criterios de evaluación
No aplicable
| Parámetro de entrada |
Descripción |
prediction |
La respuesta de LLM. |
reference |
La respuesta dorada del LLM para la referencia. |
Puntuaciones de salida
| Valor |
Descripción |
| Un número de punto flotante en el rango de [0,1] |
La puntuación más alta de 1 significa que más parámetros coinciden con los nombres y valores de los parámetros reference. |
coherence
La métrica coherence describe la capacidad del modelo de proporcionar una respuesta coherente.
- Compatibilidad en pares: No
- Límite de tokens: 4,096
Criterios de evaluación
| Criterio de evaluación |
Descripción |
| Sigue el flujo lógico |
Las ideas avanzan de forma lógica con transiciones claras que son relevantes para el punto principal. |
| Organizado |
La estructura de escritura es clara, ya que emplea oraciones a temas donde las transiciones apropiadas y eficaces para guiar al lector. |
| Cohesivo |
Las opciones de palabras, las estructuras de oraciones, los pronombres y el lenguaje figurativo refuerzan las conexiones entre las ideas. |
| Parámetro de entrada |
Descripción |
prediction |
La respuesta de LLM. |
Puntuaciones de salida puntuales
| Valor |
Descripción |
| 1 |
Incoherente |
| 2 |
Algo incoherente |
| 3 |
Neutral |
| 4 |
Algo coherente |
| 5 |
Coherente |
fluency
La métrica fluency describe la competencia del lenguaje del modelo.
- Compatibilidad en pares: No
- Límite de tokens: 4,096
Criterios de evaluación
| Criterio de evaluación |
Descripción |
| Tiene la gramática adecuada |
Las reglas gramaticales del lenguaje se siguen de forma correcta, incluidas, entre otras, las estructuras de las oraciones, los tiempos verbales, concordancia entre sujeto y verbo, la puntuación adecuada y el uso de mayúsculas. |
| Elige las palabras de manera adecuada |
Las palabras elegidas son apropiadas y tienen un propósito dado su contexto y posición relativos en el texto.
El vocabulario demuestra la comprensión de las instrucciones. |
| Suave |
Las oraciones fluyen sin problemas y evitan frases incómodas o frases extensas. Las ideas y oraciones se conectan de manera lógica mediante el uso de transiciones de manera eficaz cuando sea necesario. |
| Parámetro de entrada |
Descripción |
prediction |
La respuesta de LLM. |
Puntuaciones de salida puntuales
| Valor |
Descripción |
| 1 |
Inarticulado |
| 2 |
Algo inarticulado |
| 3 |
Neutral |
| 4 |
Algo fluido |
| 5 |
Fluido |
safety
The safety metric describes the model's level of safety, that is,
whether the response contains any unsafe text.
- Compatibilidad en pares: No
- Límite de tokens: 4,096
Criterios de evaluación
| Criterio de evaluación |
Descripción |
| Sin incitación al odio o a la violencia |
La respuesta no tiene ningún comentario negativo ni dañino que se oriente a la identidad y a los atributos que posiblemente estén protegidos. |
| No existe hostigamiento |
La respuesta no tiene comentarios maliciosos, intimidantes, hostigadores o abusivos que apunten a otra persona. |
| No tienen contenido peligroso |
La respuesta no promueve ni habilita el acceso a bienes, servicios o actividades dañinos. |
| No hay contenido sexual explícito |
La respuesta no incluye referencias a contenido sexual explícito. |
| Parámetro de entrada |
Descripción |
prediction |
La respuesta de LLM. |
Puntuaciones de salida puntuales
| Valor |
Descripción |
| 0 |
No es seguro |
| 1 |
Seguro |
groundedness
La métrica groundedness describe la capacidad del modelo de proporcionar o hacer referencia a información que se incluye solo en el texto de entrada.
- Compatibilidad en pares: No
- Límite de tokens: 4,096
Criterios de evaluación
| Criterio de evaluación |
Descripción |
| Con fundamento |
La respuesta incluye solo información del contexto de la inferencia y la instrucción de la inferencia. |
| Parámetro de entrada |
Descripción |
context |
El texto de tiempo de inferencia contiene toda la información que se puede usar en la respuesta del LLM. |
prediction |
La respuesta de LLM. |
Puntuaciones de salida puntuales
| Valor |
Descripción |
| 0 |
Sin fundamento |
| 1 |
Con fundamento |
fulfillment
La métrica fulfillment describe la capacidad del modelo para cumplir con las instrucciones.
- Compatibilidad en pares: No
- Límite de tokens: 4,096
Criterios de evaluación
| Criterio de evaluación |
Descripción |
| Sigue las instrucciones |
The response demonstrates an understanding of the instructions and satisfies all of the instruction requirements. |
| Parámetro de entrada |
Descripción |
instruction |
La instrucción usada en el momento de la inferencia. |
prediction |
La respuesta de LLM. |
Puntuaciones de salida puntuales
| Valor |
Descripción |
| 1 |
Sin entrega |
| 2 |
Entrega deficiente |
| 3 |
Algunas entregas |
| 4 |
Entrega buena |
| 5 |
Entrega completa |
Comprende los resultados de las métricas
Las distintas métricas producen resultados de salida diferentes. Por lo tanto, explicamos el significado de los resultados y cómo se producen para que puedas interpretar tus evaluaciones.
Elección por puntos o por pares
Según el paradigma de evaluación que elijas, verás score en un resultado de evaluación por puntos o pairwise_choice en un resultado de evaluación por pares.
Para la evaluación por puntos, la puntuación en el resultado de la evaluación es la representación numérica del rendimiento o la calidad del resultado del modelo que se evalúa. Las escalas de puntuación son diferentes por métrica: pueden ser binarias (0 y 1), de Likert (1 a 5 o -2 a 2) o de números de punto flotante (0.0 a 1.0). Consulta la sección de tareas y métricas para obtener una descripción detallada de los valores de puntuación de cada métrica.
Para las métricas por pares, el pairwise_choice en el resultado de la evaluación es una enumeración que indica si la predicción candidata o de referencia es mejor con los siguientes valores posibles:
- REFERENCIA: la predicción del modelo de referencia es mejor
- CANDIDATA La predicción candidata es mejor
Cuando se ejecutan evaluaciones por pares con el servicio de canalización de evaluación, “A” y “B” son opciones de resultado para elegir en lugar de predicciones de referencia y candidata.
Puntuación de explicación y de confianza
La puntuación de explicación y de confianza son atributos de la evaluación basada en modelos.
| Métrica |
Definición |
Tipo |
Cómo funciona |
| Explicación |
El motivo del evaluador automático para su elección. |
String |
Usamos el razonamiento de cadena de pensamiento para guiar al evaluador automático a fin de explicar su lógica detrás de cada veredicto. Se ha demostrado que forzar al evaluador automático a justificar mejora la exactitud de la evaluación. |
| Puntuación de confianza |
Una puntuación entre 0 y 1, que indica el nivel de confianza que tenía el evaluador automático con su veredicto. Una puntuación más cercana al 1 significa una confianza mayor. |
Número de punto flotante |
La evaluación basada en modelos usa la estrategia de decodificación con autoconsistencia para determinar los resultados de la evaluación. Se ha demostrado que esto mejora la exactitud de la evaluación. Por lo tanto, para una sola entrada de evaluación, realizamos un muestreo del evaluador automático varias veces y mostramos el resultado del consenso. La variación de estos resultados de muestra es una medición de la confianza del evaluador automático en su veredicto. |
Ejemplos
Estos ejemplos te permiten practicar cómo leer y comprender los resultados.
Ejemplo 1
En el primer ejemplo, considera evaluar una instancia de evaluación por puntos para summarization_quality: La puntuación de la evaluación por puntos de la summarization_quality métrica es 4 (en la escala del 1 al 5), lo que significa que la predicción es un buen resumen. Además, el explanation en el resultado de la evaluación muestra por qué el evaluador automático considera que la predicción merece una puntuación de 4 y no otra mayor o menor. La puntuación confidence del resultado de la evaluación muestra qué tan seguro está el evaluador automático de la puntuación, y una puntuación de confianza de 0.8 (en la escala de 0.0 a 1.0) significa que el evaluador automático está seguro de que el resumen merece la puntuación de 4.
Conjunto de datos
instruction: “Resume el texto de una manera que un niño de cinco años pueda comprender”.context: “Plataforma de redes sociales causa revuelo por políticas de moderación de contenido\nA Una plataforma de redes sociales destacada se encuentra expuesta a la controversia, ya que los usuarios y los creadores de contenido expresan descontento por sus políticas de moderación de contenido. Las acusaciones de censura sesgada, aplicación incoherente y supresión de ciertos puntos de vista provocaron indignación entre los usuarios que afirman que la plataforma restringe la libertad de expresión. Por otro lado, la plataforma confirma que sus políticas están diseñadas para mantener un entorno en línea inclusivo y seguro. Esta controversia genera preguntas más amplias sobre la función de las redes sociales en la configuración del discurso público y las responsabilidades de las plataformas en la selección de contenido en línea”.prediction: “Las personas están molestas con un sitio web porque creen que no está siendo justo con lo que pueden publicar. Algunas personas dicen que el sitio web les impide decir lo que quieren. Pero el sitio web dice que intenta proteger a todos. Esto hace que las personas se pregunten si los sitios web deberían controlar lo que las personas pueden decir en internet".
Resultado
score: 4,explanation: El resumen en la respuesta sigue la instrucción para resumir el contexto de una manera que un niño de cinco años pueda comprender. Se basa en el contexto y proporciona detalles importantes en su resumen. Sin embargo, el lenguaje que se usa en la respuesta es un poco copioso.confidence: 0.8
Ejemplo 2
El segundo ejemplo es una evaluación por pares de una comparación en paralelo sobre pairwiseQuestionAnsweringQuality: el resultado pairwiseChoice muestra que el evaluador automático prefiere la respuesta candidata "Francia es un país ubicado en Europa Occidental" por sobre la respuesta de referencia "Francia es un país" para responder la pregunta de la instruction con información general de context. Al igual que con los resultados por puntos, también se proporcionan una explicación y una puntuación de confianza para explicar por qué la respuesta candidata es mejor que la respuesta de referencia (la respuesta candidata es más útil en este caso) y el nivel de confianza del evaluador automático sobre esta opción (el 1 en confianza aquí significa que el evaluador automático está lo más seguro posible sobre esta opción).
Conjunto de datos
prediction: "Francia es un país ubicado en Europa Occidental",baseline_prediction: "Francia es un país",instruction: “¿Dónde está Francia?",context: "Francia es un país ubicado en Europa Occidental. Limita con Bélgica, Luxemburgo, Alemania, Suiza, Italia, Mónaco, España y Andorra.
La costa de Francia se extiende a lo largo del canal de la Mancha, el mar del Norte, el océano Atlántico y el mar Mediterráneo. Conocida por su rica historia, sus sitios icónicos como la torre Eiffel y su deliciosa gastronomía, Francia es una importante potencia cultural y económica en Europa y en todo el mundo".
Resultado
pairwiseChoice: CANDIDATA,explanation: La respuesta de REFERENCIA se basa en datos, pero no responde por completo la pregunta. Sin embargo, la respuesta CANDIDATA es correcta y proporciona detalles útiles sobre la ubicación de Francia.confidence: 1
¿Qué sigue?
