[HER Hack-Astron #4] Domux 全量 4057 条官方评测:复现 97.58% 准确率并分析失败模式

#2
by gebibd - opened

发布到:https://huggingface.co/iFlytekOpenSource/Domux/discussions
发布后把讨论编号记下来(案例 frontmatter 的 channels 要用)。

一句话结论

在 RTX 4090D(AutoDL 付费云 GPU)上以 BF16 运行 Domux 官方评测数据集,4057 条智能家居指令测试集结果:格式合规 100.00% / 结果准确率 97.58% / Slot F1 99.60% / Intent F1 98.17% / 平均延迟 0.159s(batch 8 批处理),独立复现与模型卡宣称的 98.37% 仅差 0.79 个百分点。

任务说明

Domux 将自然语言智能家居指令转换为 动作|设备|属性|值|单位|房间|楼层 的 7 字段结构化输出。本次用官方 smart_home_control_test_set.jsonl(4057 条,4 个类别)做全量评测,指标定义逐字沿用官方 eval/run_eval.py,并分析失败样例的规律。

环境(如实填写)

硬件 RTX 4090D 24GB(AutoDL 按量付费云 GPU),Ubuntu
框架 transformers 5.15.1 + torch 2.13.0(本地批量推理,非 API 服务)
精度 BF16
模型 revision 6c71a32f4d624cadfd9fce9d10240d8068e53456
推理参数 greedy(等价 temperature=0.0),max_new_tokens=256,batch_size=8
指标来源 iflytek/domux eval/run_eval.py(逐字复用:格式/准确率/Slot F1/Intent F1 定义一致)
延迟口径 每 batch 墙钟时间 ÷ batch 大小,跳过前 5 条 warmup

复现步骤

export HF_HOME=/root/autodl-tmp/hf
hf download iFlytekOpenSource/Domux --revision 6c71a32f4d624cadfd9fce9d10240d8068e53456
# 本地脚本加载模型(BF16)+ 逐批生成 + 官方指标计算(eval_direct.py,指标函数与 run_eval.py 一致)
python eval_direct.py --batch 8

结果

类别 样本数 格式合规 准确率 Slot F1 Intent F1 延迟(s)
multi_intent 1641 100.00% 97.75% 99.68% 98.65% 0.231
non_standard_naming 559 100.00% 94.81% 99.09% 94.91% 0.118
omitted_attribute 735 100.00% 97.14% 99.28% 97.14% 0.111
single_intent 1122 100.00% 99.02% 99.82% 99.02% 0.105
OVERALL 4057 100.00% 97.58% 99.60% 98.17% 0.159

与模型卡宣称 98.37% 的差异(0.79pp)说明:独立复现存在微小解码差异(greedy 批处理、transformers 直连 vs 官方评测管线),但整体能力与宣称一致,Slot F1 99.60% 表明字段级解析非常稳定。

失败模式分析(98 条失败,2.42%)

类别 失败数/总数 失败率
multi_intent 37/1641 2.25%
non_standard_naming 29/559 5.19%
omitted_attribute 21/735 2.86%
single_intent 11/1122 0.98%

三类典型错误:

  1. 多指令楼层/房间继承丢失(multi_intent 最多):如 on the ground floor set the chandelier in the majlis ... turn on the floor lamp,第二条指令漏填 Ground Floor,楼层只在该条开头声明一次时,后续指令的 floor 槽位偶发为 *
  2. 属性混淆(non_standard_naming 失败率最高):如 turn up the AC 被解析为 windSpeed 而非 temperaturemake it warmercolorTemperaturebrightness 偶发互换。
  3. 房间推断边界:个别非标准命名场景下房间槽位给出具体房间名而 gold 为 *(过度推断)。

局限

  • 只在官方测试集上评测;未见过的真实家庭指令(方言、ASR 噪声)未覆盖
  • 未做量化/延迟优化对比(本案例为 BF16 全量)
  • 高风险动作的拒绝/二次确认行为未单独深挖

安全与隐私

  • 评测使用公开测试集,无个人/家庭隐私数据
  • 未在命令、日志、截图泄露 HF token 或个人缓存路径

链接

Sign up or log in to comment