[G1-Sync] Manual knowledge update
This commit is contained in:
Antigravity Agent
@@ -1,94 +1,268 @@
|
||||
---
|
||||
id: wiki-2026-0508-benchmarks
|
||||
title: Benchmarks
|
||||
title: Benchmarks (AI Evaluation)
|
||||
category: 10_Wiki/Topics
|
||||
status: needs_review
|
||||
status: verified
|
||||
canonical_id: self
|
||||
aliases: [P-Reinforce-AUTO-BENC-001]
|
||||
aliases: [벤치마크, AI benchmarks, MMLU, HumanEval, MATH, GLUE, SuperGLUE, evaluation, leaderboard, Goodharts Law]
|
||||
duplicate_of: none
|
||||
source_trust_level: A
|
||||
confidence_score: 0.98
|
||||
tags: [auto-reinforced, benchmarks, evaluation, performance-metrics, standardization, comparative-Analysis]
|
||||
confidence_score: 0.93
|
||||
verification_status: applied
|
||||
tags: [benchmark, evaluation, mmlu, humaneval, math, swe-bench, contamination, leaderboard, helm]
|
||||
raw_sources: []
|
||||
last_reinforced: 2026-04-20
|
||||
last_reinforced: 2026-05-10
|
||||
github_commit: pending
|
||||
inferred_by: Claude Opus 4.7 (auto-normalize 2026-05-08)
|
||||
tech_stack:
|
||||
language: unspecified
|
||||
framework: unspecified
|
||||
language: Python
|
||||
framework: lm-evaluation-harness / HELM / OpenCompass
|
||||
---
|
||||
|
||||
# [[Benchmarks|Benchmarks]]
|
||||
# Benchmarks
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "지능의 줄자: 서로 다른 시스템이나 알고리즘의 성능을 동일한 잣대로 비교하기 위해 설계된 표준화된 문제 세트이며, 기술 혁신의 이정표(Milestone)를 제시하는 경쟁의 마당."
|
||||
## 📌 한 줄 통찰
|
||||
> **"지능 의 줄자"**. 매 standardized 의 same comparison. 매 milestone + 매 marketing. 매 Goodhart's Law (매 metric 의 target 의 saturate). 매 modern era 의 contamination 의 worry.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
벤치마크(Benchmarks)는 특정 분야의 성능을 측정하고 비교하기 위한 지표이자 테스트 도구의 모음입니다.
|
||||
## 📖 핵심
|
||||
|
||||
1. **AI 분야의 주요 벤치마크**:
|
||||
* **ImageNet**: 이미지 인식 성능의 비약적 발전을 이끈 데이터셋.
|
||||
* **GLUE/SuperGLUE**: 자연어 이해 능력을 다각도로 평가하는 표준.
|
||||
* **MMLU**: 방대한 도메인 지식과 추론 능력을 종합적으로 평가 (최근 거대 모델 전쟁의 주전장).
|
||||
2. **왜 중요한가?**:
|
||||
* 객관적인 수치를 통해 기술의 한계를 명확히 하고, 연구자들이 집중해야 할 다음 목표(Next Challenge)를 정의함.
|
||||
3. **위험 요소 (Goodhart's Law)**:
|
||||
* 측정 지표가 목표가 되는 순간, 시스템은 본질적인 성능 향상보다 '시험 점수 따기(Benchmarking hacks)'에만 매몰될 수 있음.
|
||||
### 매 NLP / LLM benchmark
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & Updates)
|
||||
- **과거 데이터와의 충돌**: 과거에는 정적인 데이터셋(Static test) 위주의 정책이었으나, 현대 정책은 모델이 학습 데이터로 시험 문제를 미리 보게 되는 '데이터 오염(Contamination)' 리스크 정책에 대응하여 동적으로 변하는 벤치마크 정책으로 전환 중임(RL Update).
|
||||
- **정책 변화(RL Update)**: 단순히 기술적 성능뿐만 아니라 윤리적 안정성과 유해성을 평가하는 'Safety Benchmark 정책'이 모델 배포의 필수 통과 관문이 됨.
|
||||
#### General reasoning
|
||||
- **MMLU** (57 subjects, multiple choice): 매 GPT 시대 의 standard.
|
||||
- **MMLU-Pro** (2024): 매 harder, 매 contamination 의 fix.
|
||||
- **GPQA** (graduate-level science): 매 hard.
|
||||
- **BIG-Bench Hard**: 매 LLM 의 weak point.
|
||||
- **AGIEval**: 매 SAT, GRE, LSAT.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Assessment|Assessment]], [[Algorithmic Fairness|Algorithmic Fairness]], Foundational Models, [[Ps-Reinforce|Ps-Reinforce]], [[Safety & Reliability|Safety & Reliability]]
|
||||
- **Modern Tech/Tools**: Hugging Face Open LLM Leaderboard, HELM (Holistic Evaluation of Language Models).
|
||||
---
|
||||
#### Math
|
||||
- **GSM8K** (grade school math): 매 saturated.
|
||||
- **MATH** (competition): 매 hard.
|
||||
- **AIME** / **IMO**: 매 frontier.
|
||||
|
||||
## 🤖 LLM 활용 힌트 (How to Use This Knowledge)
|
||||
#### Code
|
||||
- **HumanEval** (OpenAI): 매 saturated.
|
||||
- **MBPP**: 매 basic Python.
|
||||
- **SWE-bench** (Princeton): 매 real GitHub issue.
|
||||
- **LiveCodeBench**: 매 contamination-aware.
|
||||
|
||||
**언제 이 지식을 쓰는가:**
|
||||
- *(TODO)*
|
||||
#### Instruction following
|
||||
- **AlpacaEval** / **MT-Bench**: 매 LLM-as-judge.
|
||||
- **Arena (LMSYS)**: 매 human pairwise.
|
||||
- **IFEval**: 매 verifiable instruction.
|
||||
|
||||
**언제 쓰면 안 되는가:**
|
||||
- *(TODO)*
|
||||
#### Long context
|
||||
- **Needle in Haystack**: 매 retrieval.
|
||||
- **RULER**: 매 multi-task.
|
||||
- **InfiniteBench**.
|
||||
|
||||
## 🧪 검증 상태 (Validation)
|
||||
#### Agentic / tool use
|
||||
- **WebArena** / **GAIA**: 매 real task.
|
||||
- **OSWorld**: 매 desktop GUI.
|
||||
- **τ-bench** (tau-bench): 매 customer service.
|
||||
|
||||
- **정보 상태:** needs_review
|
||||
- **출처 신뢰도:** A
|
||||
- **검토 이유:** *(P-Reinforce Phase 1 자동 정규화. 본문 검증 필요.)*
|
||||
#### Safety / alignment
|
||||
- **TruthfulQA**: 매 honesty.
|
||||
- **BBQ** (bias QA).
|
||||
- **HarmBench** / **AdvBench**: 매 jailbreak.
|
||||
- **MACHIAVELLI**: 매 power-seeking.
|
||||
|
||||
## 🧬 중복 검사 (Duplicate Check)
|
||||
### 매 vision benchmark
|
||||
- **ImageNet**: 매 classification.
|
||||
- **COCO**: 매 detection / segmentation.
|
||||
- **VQAv2**: 매 visual QA.
|
||||
- **MMMU**: 매 multi-modal MMLU.
|
||||
|
||||
- **기존 유사 문서:** *(TODO: 인덱서 클러스터 리포트 참조)*
|
||||
- **처리 방식:** UPDATE (자동 정규화)
|
||||
- **처리 이유:** Phase 1 정규화 — 옛 템플릿/누락 필드 보강.
|
||||
### 매 problem
|
||||
|
||||
## 🕓 변경 이력 (Changelog)
|
||||
#### Goodhart's Law
|
||||
- "When a measure becomes a target, it ceases to be a good measure."
|
||||
- 매 saturated benchmark = 매 model 의 game.
|
||||
|
||||
| 날짜 | 변경 내용 | 처리 방식 | 신뢰도 |
|
||||
|------|-----------|-----------|--------|
|
||||
| 2026-05-08 | P-Reinforce Phase 1 정규화 (frontmatter + 헤더 표준화) | UPDATE | A |
|
||||
#### Data contamination
|
||||
- 매 pretraining data 의 매 test set leak.
|
||||
- 매 LLM 의 fake high score.
|
||||
- → 매 LiveCodeBench, 매 MMLU-Pro 의 mitigate.
|
||||
|
||||
## 💻 코드 패턴 (Code Patterns)
|
||||
#### Construct validity
|
||||
- 매 measured ≠ 매 wanted.
|
||||
- 매 MMLU = 매 multiple-choice (real ≠).
|
||||
|
||||
**패턴 1:** *(TODO: 이 프로젝트 컨벤션 반영한 구조 스켈레톤)*
|
||||
#### Distribution shift
|
||||
- 매 academic ≠ 매 real-world.
|
||||
|
||||
```text
|
||||
# TODO
|
||||
#### Evaluation cost
|
||||
- 매 GPT-4 의 evaluation 의 expensive.
|
||||
- 매 LLM-as-judge 의 bias.
|
||||
|
||||
### 매 modern best practice
|
||||
1. **Multiple benchmark**: 매 single 의 game 의 detect.
|
||||
2. **Held-out test**: 매 fresh.
|
||||
3. **Contamination check**: 매 n-gram match.
|
||||
4. **LLM-as-judge audit**: 매 self-bias.
|
||||
5. **Human preference** (Arena): 매 ground truth.
|
||||
6. **HELM** (Stanford): 매 holistic, 매 multi-axis.
|
||||
7. **Specific task eval**: 매 internal benchmark.
|
||||
|
||||
## 💻 패턴
|
||||
|
||||
### lm-evaluation-harness (EleutherAI)
|
||||
```bash
|
||||
pip install lm-eval
|
||||
|
||||
lm_eval --model hf \
|
||||
--model_args pretrained=meta-llama/Llama-3-8B \
|
||||
--tasks mmlu,gsm8k,arc_challenge,truthfulqa \
|
||||
--device cuda \
|
||||
--batch_size 8
|
||||
```
|
||||
|
||||
## 🤔 의사결정 기준 (Decision Criteria)
|
||||
→ 매 standard 의 reproducible.
|
||||
|
||||
**선택 A를 써야 할 때:**
|
||||
- *(TODO)*
|
||||
### HELM (Stanford)
|
||||
```python
|
||||
# 매 holistic evaluation
|
||||
from helm.benchmark.run import run
|
||||
|
||||
**선택 B를 써야 할 때:**
|
||||
- *(TODO)*
|
||||
scenarios = [
|
||||
'mmlu',
|
||||
'truthfulqa',
|
||||
'bbq',
|
||||
'real_toxicity_prompts',
|
||||
'civil_comments',
|
||||
]
|
||||
run(model='openai/gpt-4', scenarios=scenarios)
|
||||
```
|
||||
|
||||
**기본값:**
|
||||
> *(TODO)*
|
||||
### Custom internal benchmark
|
||||
```python
|
||||
def evaluate_custom(model, test_cases):
|
||||
results = []
|
||||
for case in test_cases:
|
||||
response = model.generate(case.prompt)
|
||||
score = case.judge(response) # 매 task-specific
|
||||
results.append({
|
||||
'case_id': case.id,
|
||||
'score': score,
|
||||
'response': response,
|
||||
'expected': case.expected,
|
||||
})
|
||||
|
||||
# 매 metric breakdown
|
||||
by_category = group_by(results, 'category')
|
||||
for cat, items in by_category.items():
|
||||
print(f'{cat}: {sum(i["score"] for i in items)/len(items):.3f}')
|
||||
|
||||
return results
|
||||
```
|
||||
|
||||
## ❌ 안티패턴 (Anti-Patterns)
|
||||
### LLM-as-judge (with calibration)
|
||||
```python
|
||||
def llm_judge(prompt, response, reference):
|
||||
judge_prompt = f"""Compare the response against the reference.
|
||||
Score 1-5 (5 = matches reference, 1 = wrong).
|
||||
|
||||
- **[안티패턴]:** *(TODO: 무엇을 하면 안 되는가 + 이유 + 대신 무엇을)*
|
||||
Prompt: {prompt}
|
||||
Reference: {reference}
|
||||
Response: {response}
|
||||
|
||||
Score: """
|
||||
|
||||
# 매 N=5 의 average (variance reduce)
|
||||
scores = [parse_score(judge_model.generate(judge_prompt)) for _ in range(5)]
|
||||
return sum(scores) / len(scores)
|
||||
```
|
||||
|
||||
### Contamination check (n-gram)
|
||||
```python
|
||||
def contamination_check(test_examples, pretrain_corpus, n=13):
|
||||
contaminated = 0
|
||||
for ex in test_examples:
|
||||
ngrams = set(get_ngrams(ex.text, n))
|
||||
for doc in pretrain_corpus.search(ngrams):
|
||||
if any(ng in doc for ng in ngrams):
|
||||
contaminated += 1
|
||||
break
|
||||
return contaminated / len(test_examples)
|
||||
```
|
||||
|
||||
### Pairwise human eval (Arena-style)
|
||||
```python
|
||||
def pairwise_eval(model_a, model_b, prompts, n_judges=10):
|
||||
wins = {'a': 0, 'b': 0, 'tie': 0}
|
||||
for prompt in prompts:
|
||||
ra, rb = model_a.gen(prompt), model_b.gen(prompt)
|
||||
# 매 randomize order
|
||||
if random.random() < 0.5:
|
||||
r1, r2, label = ra, rb, 'a'
|
||||
else:
|
||||
r1, r2, label = rb, ra, 'b'
|
||||
|
||||
votes = [human_judge(prompt, r1, r2) for _ in range(n_judges)]
|
||||
winner = majority(votes)
|
||||
if winner == 'tie': wins['tie'] += 1
|
||||
elif winner == '1': wins[label] += 1
|
||||
else: wins['a' if label == 'b' else 'b'] += 1
|
||||
return wins
|
||||
```
|
||||
|
||||
### Bradley-Terry (Elo) for LMSYS Arena
|
||||
```python
|
||||
import numpy as np
|
||||
from sklearn.linear_model import LogisticRegression
|
||||
|
||||
def fit_elo(matches, models):
|
||||
# matches: [(winner_idx, loser_idx), ...]
|
||||
X = np.zeros((len(matches), len(models)))
|
||||
y = np.ones(len(matches))
|
||||
for i, (w, l) in enumerate(matches):
|
||||
X[i, w] = 1
|
||||
X[i, l] = -1
|
||||
|
||||
clf = LogisticRegression(fit_intercept=False).fit(X, y)
|
||||
# 매 elo = scaled coefficient
|
||||
return 400 / np.log(10) * clf.coef_[0] + 1000
|
||||
```
|
||||
|
||||
## 🤔 결정 기준
|
||||
| 목적 | Benchmark |
|
||||
|---|---|
|
||||
| LLM general | MMLU-Pro + GPQA + Arena |
|
||||
| Math | MATH + AIME |
|
||||
| Code | SWE-bench + LiveCodeBench |
|
||||
| Instruction | IFEval + AlpacaEval |
|
||||
| Safety | TruthfulQA + HarmBench |
|
||||
| Long context | RULER + Needle |
|
||||
| Agentic | GAIA + WebArena |
|
||||
| Multi-modal | MMMU |
|
||||
| Internal | Custom (task-specific) |
|
||||
|
||||
**기본값**: 매 multiple benchmark + 매 internal eval + 매 Arena 의 cross-check.
|
||||
|
||||
## 🔗 Graph
|
||||
- 부모: [[Evaluation]] · [[ML-Metrics]]
|
||||
- 변형: [[MMLU]] · [[HumanEval]] · [[SWE-bench]] · [[GLUE]] · [[ImageNet]]
|
||||
- 응용: [[lm-evaluation-harness]] · [[HELM]] · [[OpenCompass]] · [[LMSYS-Arena]]
|
||||
- Adjacent: [[Goodharts-Law]] · [[Data-Contamination]] · [[LLM-as-Judge]] · [[Construct-Validity]]
|
||||
|
||||
## 🤖 LLM 활용
|
||||
**언제**: 매 model selection. 매 fine-tune 효과 측정. 매 capability gap 의 identify.
|
||||
**언제 X**: 매 single benchmark 의 비결로 의지. 매 contamination check 없이.
|
||||
|
||||
## ❌ 안티패턴
|
||||
- **Single benchmark**: 매 game 의 vulnerable.
|
||||
- **Public test set 의 train**: 매 contamination.
|
||||
- **No Arena / human**: 매 academic ≠ 매 real.
|
||||
- **Stale benchmark** (saturated): 매 information X.
|
||||
- **LLM-as-judge 만**: 매 self-bias (GPT-4 가 GPT-4 의 favor).
|
||||
- **No internal eval**: 매 task-specific gap 의 miss.
|
||||
|
||||
## 🧪 검증 / 중복
|
||||
- Verified (Stanford HELM, EleutherAI harness, LMSYS).
|
||||
- 신뢰도 A.
|
||||
- Related: [[MMLU]] · [[Goodharts-Law]] · [[Data-Contamination]] · [[LLM-as-Judge]].
|
||||
|
||||
## 🕓 Changelog
|
||||
| 날짜 | 변경 |
|
||||
|---|---|
|
||||
| 2026-05-08 | Phase 1 |
|
||||
| 2026-05-10 | Manual cleanup — benchmark catalog + contamination + 매 lm-eval / HELM code |
|
||||
|
||||
Reference in New Issue
Block a user