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
Find the estimated travel time by car from San Francisco to Los Angeles with stops at Santa Barbara and Monterey.
Các hàm có sẵn:
[{"name": "route.estimate_time", "description": "Estimate the travel time for a specific route with optional stops.", "parameters": {"type": "object", "properties": {"start_location": {"type": "string", "description": "The starting point for the journey. It should be format as city name such as Boston."}, "end_location": {"type": "string", "description": "The destination for the journey. It should be format as city name such as Boston."}, "stops": {"type": "array", "items": {"type": "string"}, "description": "Additional cities or points of interest to stop at during the journey. Default is an empty list."}}, "required": ["start_location", "end_location"]}}]
Câu trả lời của mô hình:
<tool_call> {"name": "route.estimate_time", "arguments": {"start_location": "San Francisco", "end_location": "Los Angeles", "stops": ["Santa Barbara", "Monterey"]}} </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 }