README_ms.md

metadata

task_categories:
  - question-answering
language:
  - ms
tags:
  - knowledge
pretty_name: MalayMMLU
size_categories:
  - 10K<n<100K

MalayMMLU

Dilancarkan pada 27 September 2024

English | Bahasa Melayu

📄 Paper • 🤗 Dataset

Pengenalan

MalayMMLU ialah tanda aras kefahaman bahasa pelbagai tugas (Massive Multitask Language Understanding (MMLU) dalam Bahasa Inggeris) pertama untuk Bahasa Melayu. Tanda aras ini merangkumi 24,213 soalan yang meliputi peringkat pendidikan rendah (Tahun 1-6) dan menengah (Tingkatan 1-5) di Malaysia, terdiri daripada 5 topik utama yang dibahagikan kepada 22 subjek.

Topik	Subjek
STEM	Sains Komputer (Menengah), Biologi (Menengah), Kimia (Menengah), Literasi Komputer (Menengah), Matematik (Rendah, Menengah), Matematik Tambahan (Menengah), Reka Bentuk dan Teknologi (Rendah, Menengah), Sains Teras (Rendah, Menengah), Teknologi Maklumat dan Komunikasi (Rendah), Teknologi Automotif (Menengah)
Bahasa	Bahasa Melayu (Rendah, Menengah)
Sains Sosial	Geografi (Menengah), Kajian Tempatan (Rendah), Sejarah (Rendah, Menengah)
Lain-lain	Kemahiran Hidup (Rendah, Menengah), Prinsip Perakaunan (Menengah), Ekonomi (Menengah), Perniagaan (Menengah), Pertanian (Menengah)
Kemanusiaan	Pendidikan Al Quran dan Al Sunnah (Menengah), Pendidikan Islam (Rendah, Menengah), Pengetahuan Sains Sukan (Menengah)

Keputusan

Keputusan Penilaian Zero-shot untuk MalayMMLU (Ketepatan token pertama)

Organisasi	Model	Visual	Ketepatan
			Bahasa	Kemanusiaan	STEM	Sains Sosial	Lain-lain	Purata
	Rawak		38.01	42.09	36.31	36.01	38.07	38.02
OpenAI	GPT-4o	✔	87.12	88.12	83.83	82.58	83.09	84.98
	GPT-4	✔	82.90	83.91	78.80	77.29	77.33	80.11
	GPT-4o mini	✔	82.03	81.50	78.51	75.67	76.30	78.78
	GPT-3.5		69.62	71.01	67.17	66.70	63.73	67.78
Meta	LLaMA-3.1 (70B)		78.75	82.59	78.96	77.20	75.32	78.44
	LLaMA-3.1 (8B)		65.47	67.17	64.10	62.59	62.13	64.24
	LLaMA-3 (8B)		63.93	66.21	62.26	62.97	61.38	63.46
	LLaMA-2 (13B)		45.58	50.72	44.13	44.55	40.87	45.26
	LLaMA-2 (7B)		47.47	52.74	48.71	50.72	48.19	49.61
	LLaMA-3.2 (3B)		58.52	60.66	56.65	54.06	52.75	56.45
	LLaMA-3.2 (1B)		38.88	43.30	40.65	40.56	39.55	40.46
Qwen (Alibaba)	Qwen 2.5 (72B)		79.09	79.95	80.88	75.80	75.05	77.79
	Qwen-2.5 (32B)		76.96	76.70	79.74	72.35	70.88	74.83
	Qwen-2-VL (7B)	✔	68.16	63.62	67.58	60.38	59.08	63.49
	Qwen-2-VL (2B)	✔	58.22	55.56	57.51	53.67	55.10	55.83
	Qwen-1.5 (14B)		64.47	60.64	61.97	57.66	58.05	60.47
	Qwen-1.5 (7B)		60.13	59.14	58.62	54.26	54.67	57.18
	Qwen-1.5 (4B)		48.39	52.01	51.37	50.00	49.10	49.93
	Qwen-1.5 (1.8B)		42.70	43.37	43.68	43.12	44.42	43.34
Zhipu	GLM-4-Plus		78.04	75.63	77.49	74.07	72.66	75.48
	GLM-4-Air		67.88	69.56	70.20	66.06	66.18	67.60
	GLM-4-Flash		63.52	65.69	66.31	63.21	63.59	64.12
	GLM-4		63.39	56.72	54.40	57.24	55.00	58.07
	GLM-4†† (9B)		58.51	60.48	56.32	55.04	53.97	56.87
Google	Gemma-2 (9B)		75.83	72.83	75.07	69.72	70.33	72.51
	Gemma (7B)		45.53	50.92	46.13	47.33	46.27	47.21
	Gemma (2B)		46.50	51.15	49.20	48.06	48.79	48.46
SAIL (Sea)	Sailor† (14B)		78.40	72.88	69.63	69.47	68.67	72.29
	Sailor† (7B)		74.54	68.62	62.79	64.69	63.61	67.58
Cohere for AI	Command R (32B)		71.68	71.49	66.68	67.19	63.64	68.47
OpenGVLab	InternVL2 (40B)	✔	70.36	68.49	64.88	65.93	60.54	66.51
Damo (Alibaba)	SeaLLM-v2.5† (7B)		69.75	67.94	65.29	62.66	63.61	65.89
Mistral	Pixtral (12B)	✔	64.81	62.68	64.72	63.93	59.49	63.25
	Mistral Small (22B)		65.19	65.03	63.36	61.58	59.99	63.05
	Mistral-v0.3 (7B)		56.97	59.29	57.14	58.28	56.56	57.71
	Mistral-v0.2 (7B)		56.23	59.86	57.10	56.65	55.22	56.92
Microsoft	Phi-3 (14B)		60.07	58.89	60.91	58.73	55.24	58.72
	Phi-3 (3.8B)		52.24	55.52	54.81	53.70	51.74	53.43
01.AI	Yi-1.5 (9B)		56.20	53.36	57.47	50.53	49.75	53.08
Stability AI	StableLM 2 (12B)		53.40	54.84	51.45	51.79	50.16	52.45
	StableLM 2 (1.6B)		43.92	51.10	45.27	46.14	46.75	46.48
Baichuan	Baichuan-2 (7B)		40.41	47.35	44.37	46.33	43.54	44.30
Mesolitica	MaLLaM-v2† (5B)		42.57	46.44	42.24	40.82	38.74	42.08
Yellow.ai	Komodo† (7B)		43.62	45.53	39.34	39.75	39.48	41.72

Markah tertinggi telah ditebalkan dan markah kedua tertinggi telah digariskan. † menunjukkan LLM yang dilatih dengan dataset Asia Tenggara. †† menunjukkan GLM-4 sumber terbuka.

Rujukan

@InProceedings{MalayMMLU2024,
    author    = {Poh, Soon Chang and Yang, Sze Jue and Tan, Jeraelyn Ming Li and Chieng, Lawrence Leroy Tze Yao and Tan, Jia Xuan and Yu, Zhenyu and Foong, Chee Mun and Chan, Chee Seng},
    title     = {MalayMMLU: A Multitask Benchmark for the Low-Resource Malay Language},
    booktitle = {Findings of the Association for Computational Linguistics: EMNLP 2024},
    month     = {November},
    year      = {2024},
}

Maklumbalas

Cadangan dan pendapat (sama ada positif atau negatif) amat dialu-alukan. Sila hubungi dengan menghantar emel ke cs.chan di um.edu.my.