HaluEval

概述

HaluEval 是一个大规模的生成与人工标注的幻觉样本集合，用于评估大语言模型（LLM）识别幻觉的能力。它提供了一个全面的基准测试，用于衡量模型的可靠性和事实准确性。

任务描述

• 任务类型：幻觉检测

• 输入：上下文/知识 + 待判断的回复

• 输出：YES（存在幻觉）或 NO（符合事实）

• 领域：对话、问答、摘要

主要特点

• 包含三个评估类别：

  • dialogue_samples：对话回复中的幻觉

  • qa_samples：问答中的幻觉

  • summarization_samples：文档摘要中的幻觉

• 同时包含生成样本和人工标注样本

• 测试模型检测事实不一致性的能力

• 要求模型对知识与回复之间的一致性进行推理

评估说明

• 默认评估采用 零样本（zero-shot） 设置（无少样本示例）

• 计算多项指标：

  • Accuracy（准确率）：整体判断正确的比例

  • Precision（精确率）：预测为正类中真实为正的比例

  • Recall（召回率）：真实为正类中被正确预测的比例

  • F1 Score（F1分数）：精确率与召回率的调和平均

  • Yes Ratio（YES比例）：预测为 YES 的比例

• 采用二元 YES/NO 判断格式

属性

属性	值
基准测试名称	halueval
数据集ID	evalscope/HaluEval
论文	N/A
标签	Hallucination, Knowledge, Yes/No
指标	accuracy, precision, recall, f1_score, yes_ratio
默认样本数	0-shot
评估划分	data

数据统计

指标	值
总样本数	30,000
提示词长度（平均）	4832.18 字符
提示词长度（最小/最大）	2463 / 16078 字符

各子集统计数据：

子集	样本数	提示词平均长度	提示词最小长度	提示词最大长度
dialogue_samples	10,000	3563.69	3169	4200
qa_samples	10,000	2811.83	2463	4004
summarization_samples	10,000	8121.02	4932	16078

样例示例

子集：dialogue_samples

{
  "input": [
    {
      "id": "a99406f3",
      "content": [
        {
          "text": "I want you act as a response judge. Given a dialogue history and a response, your objective is to determine if the provided response contains non-factual or hallucinated information. You SHOULD give your judgement based on the following hallu ... [TRUNCATED] ...  do! Robert Downey Jr. is a favorite. [Human]: Yes i like him too did you know he also was in Zodiac a crime fiction film. \n#Response#: I'm not a fan of crime movies, but I did know that RDJ starred in Zodiac with Tom Hanks.\n#Your Judgement#:"
        }
      ]
    }
  ],
  "target": "YES",
  "id": 0,
  "group_id": 0,
  "metadata": {
    "answer": "yes"
  }
}

注：部分内容因展示需要已被截断。

提示模板

提示模板：

{question}

使用方法

使用命令行（CLI）

evalscope eval \
    --model YOUR_MODEL \
    --api-url OPENAI_API_COMPAT_URL \
    --api-key EMPTY_TOKEN \
    --datasets halueval \
    --limit 10  # 正式评估时请删除此行

使用 Python

from evalscope import run_task
from evalscope.config import TaskConfig

task_cfg = TaskConfig(
    model='YOUR_MODEL',
    api_url='OPENAI_API_COMPAT_URL',
    api_key='EMPTY_TOKEN',
    datasets=['halueval'],
    dataset_args={
        'halueval': {
            # subset_list: ['dialogue_samples', 'qa_samples', 'summarization_samples']  # 可选，用于指定评估特定子集
        }
    },
    limit=10,  # 正式评估时请删除此行
)

run_task(task_cfg=task_cfg)