GAOKAO-Bench是一个以中国高考题目为数据集，测评大模型语言理解能力、逻辑推理能力的测评框架。[Read In English][paper]

[GAOKAO-MM]：基于中国高考题的多模态数据集，测评多模态模型的感知、理解、知识、推理能力。

[GAOKAO-Bench-Updates]:将中国2023年及之后的高考选择题作为数据集 ，对GAOKAO-Bench的补充。

我们希望能够建立一个标准化、综合性的评测框架来对大模型进行全方位、准确的评估。在中国，高考是标准化水平最高、综合性最强并且认可度最广的考试之一，我们希望借用高考的题目来评估大模型的能力。因此，我们收集了2010-2022年全国高考卷的题目，其中包括1781道客观题和1030道主观题，构建起GAOKAO-Bench的数据部分。

数据示例如下所示：

• Year

2022

• Category

全国甲卷

• Score

5

• Question

若 $z=-1+\sqrt{3}\mathrm{i}$, 则 $\frac{z}{z\overline{z}-1}=()$

A. $-1+\sqrt{3}\mathrm{i}$

B. $-1-\sqrt{3}i$

C. $-\frac{1}{3}+\frac{\sqrt{3}}{3}\mathrm{i}$

D. $-\frac{1}{3}-\frac{\sqrt{3}}{3}i$

• Analysis

【详解】

$\overline{z}=-1-\sqrt{3}i,z\overline{z}=(-1+\sqrt{3}i)(-1-\sqrt{3}i)=1+3=4$.

$\frac{z}{z\overline{z}-1}=\frac{-1+\sqrt{3}\mathrm{i}}{3}=-\frac{1}{3}+\frac{\sqrt{3}}{3}\mathrm{i}$

故选: C

• Standard Answer

C

我们采用zero-shot的方式测试各项模型，对客观题采用基于规则的答案抽取方式，对主观题采取人工评阅的方式，最终获得了GPT-4、GPT-3.5等模型的转化后的高考总分。实验结果表明，GPT-4转换后的高考总分名列第一，文科和理科总分分别为485和447。同时，所有模型的文科成绩都高于理科成绩。

1. 获取GPT-4模型输出

   cd ./Bench
   
   ## Get the Output of Objective Questions
   python objective_bench.py --openai_api_key="your openai api key"
   
   ## Get the Output of Subjective Questions
   python subjective_bench.py --openai_api_key="your openai api key"
   

2. 计算GPT-4模型客观题得分率

   • 将GPT-4模型输出的JSON文件存放在./Results/gpt_4_obj文件夹下。

   • 执行以下指令，获得其客观题的得分率，结果存放在./Results/gpt_4_obj/result/correction_score.json文件下。

   python OBJ_score_evaluation.py --obj_output_dir=../Results/gpt_4_obj
   

3. 计算GPT-4模型主观题得分率

   由于人工批改的高昂成本，我们提供了LLM-as-a-Judge脚本，利用GPT-4-turbo为模型的主观题打分。

   • 将GPT-4模型输出的JSON文件存放在./Results/gpt_4_sub文件夹下。

   • 执行以下指令，获得GPT-4对主观题的评分，结果存放在./Results/gpt_4_sub/gpt-4-1106-preview_correction_wo_marking_criterion文件下。

   python subjective_grade.py --openai_api_key="your openai api key"
   

   • 执行以下指令，获得其主观题的得分率，结果存放在./Results/gpt_4_sub/gpt-4-1106-preview_correction_wo_marking_criterion/result/model_score.json文件下。

     python SUB_score_evaluation.py --sub_output_dir=../Results/gpt_4_sub/gpt-4-1106-preview_correction_wo_marking_criterion --mode=model
     

4. 计算GPT-4模型高考总分

   执行以下指令，获得GPT-4转换后的高考总分，结果保存在./Results/merge_score.json下。

   python merge_OBJ_SUB_score.py
   

封装你的模型API并放置在 ./Models 目录下，封装方式可参考./Models/openai_gpt4.py。

@inproceedings{Zhang2023EvaluatingTP,
  title={Evaluating the Performance of Large Language Models on GAOKAO Benchmark},
  author={Xiaotian Zhang and Chunyang Li and Yi Zong and Zhengyu Ying and Liang He and Xipeng Qiu},
  year={2023}
}

我们非常感谢上海市曹杨第二中学的老师们，他们负责了GAOKAO-Bench主观题部分的评分。