معجم الذكاء الاصطناعي

مقاييس التقييم

Evaluation Metrics

معايير قياس أداء النموذج.

الدقة

Accuracy

نسبة التنبؤات الصحيحة من الإجمالي.

الاستدعاء

Recall

نسبة العينات الإيجابية المكتشفة.

مصفوفة الالتباس

Confusion Matrix

جدول يوضح التنبؤات الصحيحة وغير الصحيحة.

منحنى ROC

ROC Curve

رسم بياني للإيجابيات الصحيحة والخاطئة.

المساحة تحت المنحنى

AUC-ROC

المساحة تحت منحنى ROC لقياس التمييز.

التحقق المتقاطع

Cross Validation

تقنية بتقسيم البيانات إلى أقسام متعددة.

الانحياز

Bias

نظام تحيزي يؤدي إلى نتائج غير عادلة.

التباين

Variance

مدى حساسية النموذج لتغيرات البيانات.

معدل الخطأ

Error Rate

نسبة التنبؤات الخاطئة من الإجمالي.

الدقة عند K

Precision at K

نسبة النتائج الصحيحة ضمن أول K نتيجة.

متوسط الدقة عند K

Mean Average Precision

متوسط الدقة ضمن أول K نتيجة.

درج BLEU

BLEU Score

مقياس لتقييم جودة الترجمة الآلية.

تقييم النماذج اللغوية

LLM Evaluation

تقييم أداء نماذج اللغة الكبيرة.

الدرج BLEU المتقدم

Advanced BLEU

تحسينات على مقياس BLEU لتقييم الترجمة.

درجة ROUGE

ROUGE Score

مقياس لتقييم جودة التلخيص.

تقييم المهام

Task Evaluation

قياس أداء النموذج في مهام محددة.

معايير نماذج اللغة الكبيرة

LLM Benchmark

معايير قياس أداء نماذج اللغة الكبيرة عبر اختبارات معيارية.

التقييم البشري

Human Evaluation

تقييم جودة النتائج بواسطة البشر باستخدام معايير موضوعية.

التقييم البشري في الحلقة

Human-in-the-Loop Evaluation

دمج التقييم البشري في عملية التقييم الآلي لتحسين النتائج.

التقييم المقارن

Comparative Evaluation

مقارنة أداء نموذجين أو أكثر لتحديد الأفضل.

مقياس METEOR

METEOR Score

مقياس شامل لتقييم جودة الترجمة الآلية.

مقياس CIDEr

CIDEr Score

مقياس لتقييم دقة وصف الصور بالنصوص.

نموذج BLEURT

BLEURT

نموذج تقييم مُدرَّب لتقييم الترجمة الآلية.

مقياس BERTScore

BERTScore

مقياس تقييم يعتمد على التمثيلات الدلالية لـ BERT.

التقييم المقارن المتعدد

Multi-Model Comparison

مقارنة أداء عدة نماذج مع بعضها.

تقييم قدرات التفكير

Reasoning Evaluation

قياس قدرة النموذج على الاستدلال والتفكير المنطقي.

اختبار MMLU المتعدد

MMLU

اختبار فهم اللغة متعدد المهام والمواضيع.

اختبار GSM8K الرياضي

GSM8K

اختبار لحل مسائل رياضيات متعددة الخطوات.

اختبار ARC التحدي

ARC Benchmark

اختبار مرجعي لقياس قدرات التفكير.

اختبار HellaSwag

HellaSwag

اختبار استكمال الجمل بشكل ذكي وسليم.

اختبار WinoGrande

WinoGrande

اختبار لفهم اللغة العامة والتعرف.

اختبار BigBench

BIG-Bench

مجموعة مهام متنوعة لتقييم قدرات الذكاء الاصطناعي.

تقييم MT-Bench للمحادثات

MT-Bench

تقييم النماذج في المحادثات متعددة الجولات.

ساحة الروبوتات المحادثة

Chatbot Arena

منصة مقارنة النماذج عبر التصويت البشري المباشر.

اختبار SWE-bench

SWE-bench

اختبار حل مشكلات البرمجيات الحقيقية.

اختبار MMMU المتعدد الوسائط

MMMU

اختبار فهم متعدد الوسائط للصور والنصوص.

اختبار GPQA المتخصص

GPQA

اختبار أسئلة متخصصة عالية الصعوبة.

تقييم IFEval للتعليمات

IFEval

تقييم الامتثال لتعليمات المستخدم المحددة.

تقييم AlpacaEval للردود

AlpacaEval

تقييم جودة الردود المولدة من النماذج.