Dataset-Performance-Test-for-LLMs

本项目为上海交通大学交我算「轻量级大模型测评」项目的测试代码库，系统整合了多模态与文本大模型领域的主流评测数据集官方代码，我们对这些代码基于本地部署模型进行了适配，代码涵盖：

多模态大模型评估测试集

• MME：视觉理解综合能力评测框架

• MM-Vet：视觉理解综合能力评测框架

• MMMU：面向大学级别的多学科多模态理解和推理能力评测框架

• MathVista：数学推理能力测试集

• POPE：目标检测幻觉评估工具

文本大模型评估测试集

• MMLU：英文跨学科知识评测框架

• C-Eval：中文跨学科知识评测框架

• MATH-500：数学竞赛级问题测评

• HumanEval：代码生成能力测试

• GPQA-Diamond：博士级科学问题理解和推理能力评估

项目目录结构

├── Text_Understanding_tests/   #文本模型测试代码
│   ├── MATH-500-test/
│   │   ├── main.py                #运行代码
│   │   └── utils/                 #原始工具代码
│   ├── C-Eval-test/
│   │   └── ...
│   ├── gpqa-test/
│   │   ├── ...
│   ├── HumanEval-test/
│   │   ├── ...
│   └── MMLU-test/
│       └── ...
├── Image_Understanding_tests #图像理解模型测试代码
│   ├── ...

项目测试环境

ARM + 昇腾NPU
OS：openEuler 22.03 LTS
CPU: kunpeng 920
NPU：Ascend 910B

评测工具集使用方法

镜像环境

前往 昇腾社区/开发资源 下载适配目标模型的镜像包：如 1.0.0-800I-A2-py311-openeuler24.03-lts

测试示例

以MATH-500测试集的使用为例：

python ~/LLM-datasets/MATH-500-test/main.py