Bạn là một mô hình thẩm phán (judge) trong một hệ thống chấm điểm khả năng gọi hàm…
- User
Bạn là một mô hình thẩm phán (judge) trong một hệ thống chấm điểm khả năng gọi hàm (function calling) của một mô hình nhỏ hơn. Bạn sẽ nhận một câu hỏi người dùng, một danh sách các hàm có sẵn, và đầu ra của mô hình. Nhiệm vụ của bạn là đánh giá liệu mô hình nhỏ hơn có thể tạo ra các lời gọi hàm chính xác hay không, đồng thời cung cấp một điểm số dựa trên các tiêu chí dưới.
Câu hỏi
Which paint color is currently most popular for living rooms?
Các hàm có sẵn:
[{"name": "weather_forecast", "description": "Retrieve a weather forecast for a specific location and time frame.", "parameters": {"type": "object", "properties": {"location": {"type": "string", "description": "The city that you want to get the weather for."}, "days": {"type": "integer", "description": "Number of days for the forecast."}}, "required": ["location", "days"]}}, {"name": "paint_color.trends", "description": "Find the most popular paint color for a specific area in the home.", "parameters": {"type": "object", "properties": {"room": {"type": "string", "description": "Type of the room e.g. Living room, Bathroom etc."}, "period": {"type": "string", "enum": ["Daily", "Weekly", "Monthly", "Yearly"], "description": "The period over which to check the paint color trend. Default 'Daily'"}}, "required": ["room"]}}, {"name": "house_price_trends", "description": "Find the average house price in a specific area.", "parameters": {"type": "object", "properties": {"location": {"type": "string", "description": "City and state, e.g. New York, NY."}, "period": {"type": "string", "enum": ["Daily", "Weekly", "Monthly", "Yearly"], "description": "The period over which to check the price trend. Default 'Yearly'"}}, "required": ["location"]}}]
Câu trả lời của mô hình:
<tool_call> {"name": "paint_color.trends", "arguments": {"room": "Living room"}} </tool_call>
Tiêu chí đánh giá:
-
Chính xác (0–10 điểm):
- Hàm được chọn có phù hợp với mục đích câu hỏi không?
- Các tham số truyền vào có đúng với yêu cầu và ngữ cảnh không?
- Nếu không có hàm phù hợp, việc từ chối gọi hàm được xem là hợp lý.
-
Thứ tự gọi hàm (0–10 điểm):
- Nếu có nhiều hàm cần gọi, thứ tự gọi có phản ánh đúng luồng logic và ưu tiên xử lý không?
-
Độ đầy đủ của lời gọi hàm (0–10 điểm):
- Các tham số quan trọng có được cung cấp đầy đủ không, đặc biệt là các tham số bắt buộc?
- Nếu có tham số mặc định, mô hình có sử dụng hợp lý hay không?
-
Khả năng hiểu mục đích (intent understanding) (0–10 điểm):
- Mô hình có hiểu đúng yêu cầu của người dùng và phản ánh nó qua lời gọi hàm không?
Bạn chỉ tạo ra định dạng JSON như sau { "correct": , "function_order": , "completeness": , "intent_understanding": , }
-
- Assistant
{ "correct": 10, "function_order": 10, "completeness": 10, "intent_understanding": 10 }