Ce que Deskworth appelle un banc d’essai valable
Onze conditions, écrites avant le moindre score, pour qu’aucun score ne puisse être publié sans elles.
Publier les conditions avant le résultat est la seule façon de les garder honnêtes. Une fois qu’un chiffre existe, chaque condition manquante devient négociable.
#La ligne qu’on saute le plus souvent
À « quel modèle ? » on répond d’ordinaire par un nom de famille. Un nom de famille n’est pas un modèle. Les points d’accès changent sous une étiquette stable, donc l’identifiant exact et la date de l’exécution sont deux exigences distinctes, et les deux sont obligatoires.
#La ligne qui cache le plus de variance
La recherche de passage. Sur un banc financier à livre ouvert, l’essentiel de l’écart entre deux résultats publiés vient de la façon dont le passage a été trouvé, pas du modèle qui l’a lu. Un résultat qui ne décrit pas son composant de recherche est un résultat sur un système non divulgué.
#Les licences font partie du protocole
Deux des quatre jeux du catalogue sont non commerciaux, et l’un interdit les œuvres dérivées. Cela contraint ce qui peut être redistribué et ce qui peut être adapté, et se vérifie avant une exécution plutôt qu’après publication.
Encore manquantDeskworth n’a exécuté aucun banc d’essai. Le catalogue publie le protocole que suivra la prochaine passe du cœur.
#Sources
- czyssrs/FinQA, official repositoryZhiyu Chen et al.https://github.com/czyssrs/FinQA
- NExTplusplus/TAT-QA, official repositoryNExT++, National University of Singaporehttps://github.com/NExTplusplus/TAT-QA
- PatronusAI/financebench, dataset cardPatronus AIhttps://huggingface.co/datasets/PatronusAI/financebench
- BizBench: A Quantitative Reasoning Benchmark for Business and FinanceRik Koncel-Kedziorski, Michael Krumdick, Viet Lai, Varshini Reddy, Charles Lovering, Chris Tannerhttps://arxiv.org/abs/2311.06602
Read next
- Évaluations et bancs d’essaiQuatre bancs d’essai publiés pour le raisonnement financier, documentés depuis leurs sources primaires, et la déclaration franche que Deskworth n’en a exécuté aucun.
- Un test vert n’est pas une preuveTesté, empaqueté et observé sont trois affirmations différentes. La plupart des disputes sur ce qu’un système sait faire viennent de ce qu’on les confond.