近年来，随着大语言模型（LLM）的不断进步，如何准确评估其能力已经成为研究的热点问题。

诸如大规模多任务语言理解基准MMLU（Massive Multitask Language Understanding），在评估大语言模型中起到重要作用。

然而，由于开放源代码和训练数据的多样性，现有基准测试难免存在数据污染问题，影响评估结果的可靠性。

为了提供更为准确、公平的评估，微软亚洲研究院推出了MMLU-CF，它是基于公开数据源，经过去污染设计的大语言模型理解基准，并已在Huggingface上开放。

MMLU-CF是一个「无污染」的、更具挑战性的多项选择题基准数据集。

论文链接：https://arxiv.org/pdf/2412.15194

代码链接：https://github.com/microsoft/MMLU-CF

数据连接：https://huggingface.co/datasets/microsoft/MMLU-CF

数据集包含20,000道题目，分为10,000道验证集题目和10,000道测试集题目，其中验证集开源，测试集闭源，涵盖健康、数学、物理、商业、化学、哲学、法律、工程等14个学科领域。

MMLU-CF为大语言模型的评估提供了一个更加公平和可靠的基准，不仅帮助研究者准确理解模型的能力，也为未来模型优化提供了宝贵的数据支持。

消除数据污染

传统基准测试可能存在数据污染，影响评估的公正性。MMLU-CF通过引入三条去污染规则并扩展数据源，确保测试结果更可靠。

防止恶意数据泄露

研究人员将数据集分为验证集和测试集，确保测试集保持闭源，避免数据泄漏引发的不公正结果。同时，验证集开源以促进透明度，便于独立验证。

对比结果

评估结果显示，OpenAI o1在MMLU-CF测试集上的5-shot得分为80.3%，显著低于其在MMLU上取得的92.3%得分，表明了MMLU-CF基准的严格性。

图1 主流大模型在MMLU-CF的测试集的5-shot得分表现

基准对比

MMLU与MMLU-Pro基准测试主要关注任务的广度、推理能力和难度，但未考虑数据污染问题。

对于MMLU-CF，研究人员在数据收集时应用了去污染规则，确保避免数据泄露，同时将测试集保持闭源，防止恶意泄露。

以下是几款主流模型在MMLU与MMLU-CF数据集上的表现与排名变化：

图2 主流大模型在MMLU-CF和MMLU上的表现与排名

新的基准MMLU-CF扰乱了已评估的语言模型（LM）在MMLU上的性能排名。

排名前三的语言模型：OpenAI o1、Deepseek-R1和Deepseek-V3 ，保持了领先地位，排名没有任何变化。

有趣的是，在显著的排名变化（>=3位）中，排名下降的往往比上升的更为显著。

平均而言，排名下降的语言模型下降了5.14位次，而排名上升的语言模型上升了3.78位次。

这种不对称性表明，性能大幅下降比上升更容易，这可能是由于预训练语料库中的数据污染造成的。

与规模较大的语言模型相比，规模较小的语言模型在新的MMLU-CF基准测试中似乎更具破坏性。

在MMLU-CF中，研究人员将数据集划分为测试集和验证集，并通过计算「绝对分数差异」评估模型的泛化能力。统计结果显示，约60%的差异值小于0.5，96%的差异值低于1.0，表明测试集和验证集的评估结果高度一致。

图3 数据构建流程图

MMLU-CF的数据构建包括以下几个步骤：

1. 题目收集：从广泛的开放互联网域收集问题，保证问题的多样性。

2. 题目清洗：确保收集到的问题质量高，适合用于评估。

3. 难度采样：确保问题的难度分布合理。

4. 大模型检查：使用GPT-4o、Gemini、Claude模型对数据的准确性和安全性进行检查。

5. 去污染处理：通过去污染处理，确保数据集的无污染性。

最终，MMLU-CF数据集分别包含了10,000道测试集域验证集题目，同时测试集保持闭源，验证集则公开以保证透明性。

为了避免无意中的污染并评估模型的推理和理解能力，研究人员采用了三条去污染规则：

• 规则1：改写问题，减少模型对已见数据的依赖。

• 规则2：打乱选项，避免模型通过记忆选项顺序做出正确答案。

• 规则3：随机替换选项，增加模型的推理难度。

图4 去污染示例

这些规则有效减少了恶意和无意的泄漏风险，确保了数据集的「无污染」性。