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
Get me two tickets for next Eminem concert in New York City.
Các hàm có sẵn:
[{"name": "concert_booking.book_ticket", "description": "Book concert tickets for a specific artist in a specified city.", "parameters": {"type": "object", "properties": {"artist": {"type": "string", "description": "The artist you want to book tickets for."}, "city": {"type": "string", "description": "The city where the concert is."}, "num_tickets": {"type": "integer", "description": "Number of tickets required. Default is 1."}}, "required": ["artist", "city"]}}]
Câu trả lời của mô hình:
<tool_call> {"name": "concert_booking.book_ticket", "arguments": {"artist": "Eminem", "city": "New York City", "num_tickets": 2}} </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 }