我想要一天分享一點「LLM從底層堆疊的技術」，並且每篇文章長度控制在三分鐘以內，讓大家不會壓力太大，但是又能夠每天成長一點。
- 名稱 (Name)：經過微調的預訓練模型的下游任務的名稱
- 標識符 (Identifier)：名稱的縮寫或短版本
- 下載 (Download)：是資料集的下載連結
- 更多資訊 (More Info)：指向設計資料集驅動任務的團隊的論文或網站以提供更多詳細資訊
- 指標 (Metric)：是用於評估模型的測量分數，詳見 AI說書 - 從0開始 - 82 與 AI說書 - 從0開始 - 83
SuperGLUE 提供任務說明、軟體、資料集以及描述要解決的問題的論文或網站，一旦團隊運行基準測試任務並到達排行榜水準，就會顯示結果，SuperGLUE 顯示整體得分和每個任務的得分：
圖片出自書籍：Transformers for Natural Language Processing and Computer Vision, 2024
我們按照 Wang 等人 2019 年的論文指示，其提供了合理答案的選擇
(Choice of Plausible Answers, COPA) 任務，NLU 模型的目標是展示其機器思維（不是人類思維）的潛力，在我們的例子中，Transformer 必須選擇問題的最合理的答案，資料集提供了前提，Transformer 模型必須找到最合理的答案，以下舉例：
- 前提：我敲了鄰居的門。結果發生了什麼事？
選項 1：我的鄰居邀請我進去
選項 2：我的鄰居離開了他的房子
人類需要一兩秒鐘才能回答這個問題，這表明它需要一些常識性的思維，COPA.zip 是一個即用型資料集，可以直接從 SuperGLUE 任務頁面下載，所提供的指標使基準競賽 (Benchmark Race) 的所有參與者都平等且可用。
