GPT-4（など）自動評価スクリプト

GPT-4 などの LLM を用いて、言語モデルの応答を自動評価するスクリプトである。

対応する言語モデル

評価者のLLMとして、下記のモデルを選択できる。モデル名は JUDGE 環境変数で指定する。

• openai/gpt-4: OpenAI GPT-4 Turbo API
• openai/gpt-4o: OpenAI GPT-4o API
• cohere/command-r-plus: Cohere Command-R+ API

使用方法

LLM によるテキスト生成

notebooks ディレクトリ配下にあるノートブックを実行することで、評価対象のLLMに ELYZA-tasks-100 データセットの各質問に対する回答が生成できる。 ノートブックは、Google Colaboratory などで実行可能。

生成されたテキストは preds.jsonl という名前の JSONL ファイルに書き出される。 このファイルをダウンロードする。

ELYZA データセットのダウンロード

HuggingFace🤗 から ELYZA-tasks-100 データセットをダウンロードする。

$ docker compose build
$ docker compose run gpt4eval python /opt/gpt4eval/download_elyza.py

ファイルは assets/elyza_tasks_100/dataset.jsonl に保存される。

評価の準備

下記のように、assets/<DATASET_NAME> にデータセット・LLMの応答を JSONL 形式で配置する。 （フォーマットの詳細は assets/test を参照）

dataset.jsonl は assets/elyza_tasks_100 からハードリンク（またはコピー）する。

assets/<DATASET_NAME>/
 - dataset.jsonl
 - preds.jsonl

評価: GPT-4 を使う場合

OpenAI API キーを発行し (link)、 secrets/OPENAI_API_KEY に置く (行末は改行しない)。

$ cat secrets/OPENAI_API_KEY
my-OPeNAiKeY...

評価方法は、下記の2通りから選択できる。

• sequential モード（デフォルト）: LLMの応答を1つずつ OpenAI API に送信し、評価する。評価結果は、標準出力に順次表示される。
• batch モード: OpenAI API のバッチ推論機能 を使用する。結果は 24 時間以内に返却される。API利用料が割安。

sequential モード

$ DATASET_NAME=<DATASET_NAME> JUDGE=openai/gpt-4o docker compose up --build

評価結果は JSONL 形式で assets/<DATASET_NAME>/result.jsonl に保存される。

batch モード

バッチ推論ジョブを作成する。

$ DATASET_NAME=<DATASET_NAME> PROCESS_MODE=batch BATCH_TASK=submit \
  JUDGE=openai/gpt-4o \
        docker compose up --build

ジョブIDが assets/<DATASET_NAME>/batch_id.txt に保存される。

ジョブの結果を取得する。

$ DATASET_NAME=<DATASET_NAME> PROCESS_MODE=batch BATCH_TASK=retrieve \
        docker compose up --build

ジョブが未完了の場合は、その旨が表示される。

ジョブが完了した場合、評価結果は JSONL 形式で assets/<DATASET_NAME>/result.jsonl に保存される。

評価: Cohere API を使う場合

Cohere API キーを発行し (link)、 secrets/COHERE_API_KEY に置く (行末は改行しない)。

$ cat secrets/COHERE_API_KEY
myCohereKey...

その後、下記コマンドを実行する。

$ DATASET_NAME=<DATASET_NAME> JUDGE=cohere/command-r-plus docker compose up --build

評価結果は JSONL 形式で assets/<DATASET_NAME>/result.jsonl に保存される。

結果の一覧表示

Google スプレッドシートで結果を一覧表示する場合（表示例）は、 <DATASET_NAME>/{preds,results}.jsonl を Google Drive にコピーし、tools/copy_jsonl_to_google_spreadsheet.js を Google Apps Script として実行する。

環境変数一覧

変数名	とりうる値	デフォルト値	説明
DATASET_NAME	-	-	データセット名。assets/<DATASET_NAME> にデータセットを配置する
PROCESS_MODE	sequential, batch	sequential	評価モード。batch は OpenAI API のみ対応
JUDGE	openai/gpt-4, openai/gpt-4o, cohere/command-r-plus	openai/gpt-4	評価者のLLM
BATCH_TASK	submit, retrieve	submit	バッチ推論のタスク。PROCESS_MODE=batch 以外のときは無視される

動作環境

• Linux (kernel 5.15.133.1)
• Docker Compose v2.21.0

クレジット

• ELYZA-tasks-100: ELYZA (CC BY-SA 4.0), link

以上