ОЦЕНКА МНОГОЯЗЫЧНОГО ПОНИМАНИЯ ЯЗЫКА С УЧЕТОМ РЕГИОНАЛЬНЫХ ЗНАНИЙ

INCLUDE: Evaluating Multilingual Language Understanding with Regional Knowledge

November 29, 2024

Авторы: Angelika Romanou, Negar Foroutan, Anna Sotnikova, Zeming Chen, Sree Harsha Nelaturu, Shivalika Singh, Rishabh Maheshwary, Micol Altomare, Mohamed A. Haggag, Snegha A, Alfonso Amayuelas, Azril Hafizi Amirudin, Viraat Aryabumi, Danylo Boiko, Michael Chang, Jenny Chim, Gal Cohen, Aditya Kumar Dalmia, Abraham Diress, Sharad Duwal, Daniil Dzenhaliou, Daniel Fernando Erazo Florez, Fabian Farestam, Joseph Marvin Imperial, Shayekh Bin Islam, Perttu Isotalo, Maral Jabbarishiviari, Börje F. Karlsson, Eldar Khalilov, Christopher Klamm, Fajri Koto, Dominik Krzemiński, Gabriel Adriano de Melo, Syrielle Montariol, Yiyang Nan, Joel Niklaus, Jekaterina Novikova, Johan Samir Obando Ceron, Debjit Paul, Esther Ploeger, Jebish Purbey, Swati Rajwal, Selvan Sunitha Ravi, Sara Rydell, Roshan Santhosh, Drishti Sharma, Marjana Prifti Skenduli, Arshia Soltani Moakhar, Bardia Soltani Moakhar, Ran Tamir, Ayush Kumar Tarun, Azmine Toushik Wasi, Thenuka Ovin Weerasinghe, Serhan Yilmaz, Mike Zhang, Imanol Schlag, Marzieh Fadaee, Sara Hooker, Antoine Bosselut

cs.AI

Аннотация

Дифференциальная производительность больших языковых моделей (LLM) между языками затрудняет их эффективное внедрение во многих регионах, препятствуя потенциальной экономической и общественной ценности генеративных инструментов искусственного интеллекта во многих сообществах. Однако разработка функциональных LLM на многих языках (т.е. мультиязычных LLM) сталкивается с проблемой отсутствия ресурсов высокого качества для оценки на языках, отличных от английского. Более того, текущие практики по созданию мультиязычных бенчмарков часто переводят англоязычные ресурсы, игнорируя региональные и культурные знания среды, в которой мультиязычные системы будут использоваться. В данной работе мы создаем набор оценочных вопросов в объеме 197 243 пар вопрос-ответ из местных источников экзаменов для измерения возможностей мультиязычных LLM в различных региональных контекстах. Наш новый ресурс, INCLUDE, представляет собой комплексный бенчмарк, ориентированный на знания и рассуждения, на 44 письменных языках, который оценивает производительность мультиязычных LLM в фактических языковых средах, где они будут использоваться.

English

The performance differential of large language models (LLM) between languages hinders their effective deployment in many regions, inhibiting the potential economic and societal value of generative AI tools in many communities. However, the development of functional LLMs in many languages (\ie, multilingual LLMs) is bottlenecked by the lack of high-quality evaluation resources in languages other than English. Moreover, current practices in multilingual benchmark construction often translate English resources, ignoring the regional and cultural knowledge of the environments in which multilingual systems would be used. In this work, we construct an evaluation suite of 197,243 QA pairs from local exam sources to measure the capabilities of multilingual LLMs in a variety of regional contexts. Our novel resource, INCLUDE, is a comprehensive knowledge- and reasoning-centric benchmark across 44 written languages that evaluates multilingual LLMs for performance in the actual language environments where they would be deployed.