T-Eval：大模型智能体能力评测基准解读 | ACL 2024

因此，为了更全面地评估大语言模型的工具使用能力，司南及合作伙伴团队推出了 T-Eval (a step-by-step Tool Evaluation benchmark for LLMs) 评测基准，相较于之前整体评估模型的方式，论文中将大模型的工具使用分解为多个子过程，包括：规划、推理、检索、理解、指令跟随和审查。

• 规划（PLAN）：将用户问题分解为多个子问题，制定行动计划。
• 推理（REASON）：对上个状态的完成情况的判断，下一步行动的思考。
• 检索（RETRIEVE）：从给定的工具列表中选择合适的工具。
• 理解（UNDERSTAND）：正确理解工具使用的参考文档和所需参数。
• 指令跟随（INSTRUCT）：生成指定格式的工具调用请求。
• 审查（REVIEW）：评估每个工具调用执行的结果，确保回答满足预期目标。

然后，我们利用 GPT-3.5 生成了初始问题，并通过 GPT-4 进一步完善问题。之后，我们开发了一个多智能体框架，利用所提供的工具解决问题，同时收集解决方案路径和工具响应。最后，我们使用人类专家来挑选高质量样本。

细粒度评测：T-Eval将评测过程分解为多个子任务，分别评估模型在工具使用上的细粒度能力。

多智能体数据生成：使用了由人类专家验证的多智能体数据生成流程，显著减少了外部因素的影响，使评测结果更加稳定、公平。

广泛实验：通过在各种大模型上的广泛实验，验证了T-Eval的有效性和普适性，为当前大语言模型的工具使用能力瓶颈提供了宝贵的见解，并为改进工具使用能力提供了新的视角。

PART4

T-Eval 评测结果

我们在 T-Eval 上对 20 种大语言模型进行了评测，包括基于 API 的商业模型和开源模型。结果显示，GPT-4 在整体评分上取得了最高分，显示出其卓越的工具使用能力。对于开源模型，我们对三种不同规模的模型进行了实验，它们的尺寸大约是7B、13B和70B，可以发现，随着模型参数的增加，其表现也更加优秀。特别是 Qwen-72B 模型，其总得分已接近 API 模型水平。

T-Eval 现已加入 OpenCompass 评测平台，更多详细内容可参考以下链接！

GitHub：

https://github.com/open-compass/T-Eval

OpenCompass官网：

https://hub.opencompass.org.cn/dataset-detail/T-Eval

联系我们：

opencompass@pjlab.org.cn

---

?点击关注司南评测体系公众号 

获取更多大模型相关知识~