InstructExcel: Бенчмарк для обработки естественно-языковых инструкций в Excel

InstructExcel: A Benchmark for Natural Language Instruction in Excel

October 23, 2023

Авторы: Justin Payan, Swaroop Mishra, Mukul Singh, Carina Negreanu, Christian Poelitz, Chitta Baral, Subhro Roy, Rasika Chakravarthy, Benjamin Van Durme, Elnaz Nouri

cs.AI

Аннотация

С развитием крупных языковых моделей (LLM) мы можем решать всё более сложные задачи обработки естественного языка (NLP) в различных областях, включая работу с электронными таблицами. В данной работе исследуется, способны ли LLM генерировать код (Excel OfficeScripts, API на TypeScript для выполнения множества задач в Excel), который решает специфические задачи Excel, поставленные через естественноязыковые инструкции пользователя. Для этого мы представляем новый масштабный бенчмарк, InstructExcel, созданный с использованием функции "Автоматизация" в Excel для автоматической генерации OfficeScripts на основе действий пользователей. Наш бенчмарк включает более 10 тысяч примеров, охватывающих 170+ операций Excel на основе 2000 публично доступных электронных таблиц. Эксперименты в различных условиях zero-shot и few-shot показывают, что InstructExcel является сложным бенчмарком для современных моделей, таких как GPT-4. Мы наблюдаем, что (1) использование GPT-4 вместо GPT-3.5, (2) предоставление большего количества контекстных примеров и (3) динамическое формирование запросов могут помочь улучшить производительность на этом бенчмарке.

English

With the evolution of Large Language Models (LLMs) we can solve increasingly more complex NLP tasks across various domains, including spreadsheets. This work investigates whether LLMs can generate code (Excel OfficeScripts, a TypeScript API for executing many tasks in Excel) that solves Excel specific tasks provided via natural language user instructions. To do so we introduce a new large-scale benchmark, InstructExcel, created by leveraging the 'Automate' feature in Excel to automatically generate OfficeScripts from users' actions. Our benchmark includes over 10k samples covering 170+ Excel operations across 2,000 publicly available Excel spreadsheets. Experiments across various zero-shot and few-shot settings show that InstructExcel is a hard benchmark for state of the art models like GPT-4. We observe that (1) using GPT-4 over GPT-3.5, (2) providing more in-context examples, and (3) dynamic prompting can help improve performance on this benchmark.