查看与管理模型评估任务

对生成式大模型的输出效果、计算性能进行全方位评价，提供面向事实类或开放性问答的不同打分模式；当前支持文本类生成模型，暂不支持图像或跨模态生成模型。

登录到千帆大模型操作台，在左侧功能列选择模型评估，进入模型评估主任务界面。

查看模型评估任务详情

进入“模型评估 > 查看报告 > 任务详情”中查看模型评估任务详情页。

查看评估报告

进入“模型评估 > 查看报告 > 评估报告 ”中查看评估指标。

规则打分指标

指标名称	指标说明
准确率 (%)	规则打分模式下，忽略停用词后，正确预测(标注与预测完全匹配)的样本数与总样本数的比例
F1分数 (%)	规则打分模式下，忽略停用词后，精确率和召回率的调和平均数
ROUGE-1 (%)	忽略停用词后，将模型生成的结果和标准结果按unigram拆分后，计算出的召回率
ROUGE-2 (%)	忽略停用词后，将模型生成的结果和标准结果按bigram拆分后，计算出的召回率
ROUGE-L (%)	忽略停用词后，衡量了模型生成的结果和标准结果的最长公共子序列，并计算出召回率
BLEU-4 (%)	忽略停用词后，用于评估模型生成的句子和实际句子的差异的指标，值为unigram，bigram，trigram，4-grams的加权平均

注释：
Ⅰ) unigram：指将句子或文本中的每个单词都单独作为一个基本单元，不考虑单词之间的顺序。
Ⅱ) bigram：指将句子或文本中的每个相邻的单词对都作为一个基本单元，用于描述两个单词之间的顺序关系。
Ⅲ) trigram：指将句子或文本中的每个相邻的三个单词作为一个基本单元，用于描述三个单词之间的顺序关系。
Ⅳ) 4-grams：指将句子或文本中的每个相邻的四个单词作为一个基本单元，用于描述四个单词之间的顺序关系。
Ⅴ) 最长公共子序列：指两个或多个字符串最长的子序列，这些子序列在每个字符串中都存在，且它们的顺序相同。

裁判员模型打分指标

指标名称	指标说明
裁判员模型打分标准差	裁判员大模型对模型生成结果打分的标准差（不含无效打分）
裁判员模型打分平均值	裁判员大模型对模型生成结果打分的平均值（不含无效打分）
裁判员模型打分中位数	裁判员大模型对模型生成结果打分的中位数（不含无效打分）

另外，裁判员模型可查看分数的分布图，按1分为间隔的裁判员模型打分分布；无法解析的裁判员模型输出将归为无效打分。

导出模型结果分析

评估报告中，模型结果分析区域展示了BLUE-4指标较低的样本，以便用户针对性分析和迭代模型；为避免对页面性能造成影响，每个模型最多展示2000条模型结果分析内容。

模型结果分析支持筛选和导出。导出时点击左上角按钮，在浮窗中配置导出位置『本地』或『BOS存储』（需提前开通BOS相关服务 ）。

其中，到处全部数据指的是导出该评估任务的所有错例数据，导出处字段（不定项选择）支持Prompt问题、预期回答、模型结果和评估指标（全部）。

右上角 操作记录中支持查看用户对模型结果分析导出记录，查看导出任务状态、并对错例数据进行下载、查看。

查看任务日志

平台支持查看本次模型评估任务的详细日志。选择评估的模型后，可以查看其从创建开始到任务结束的日志内容，支持下载到本地保存（txt格式）。

以下为部分日志展示：

可通过日志查看报错，调整任务配置重新发起；或在提交工单时，粘贴日志中的报错由百度技术服务团队协助排查。