HellaSwag 是一個用來評估大型語言模型（LLM）常識推理能力的重要基準測試集，首次由 Zellers 等人在2019年提出。其設計目標在於測試模型對日常生活場景中「合理事件排序」的理解和推斷能力。以下是 HellaSwag 的關鍵特點與運作方式：
- 名稱由來：HellaSwag 全稱為 Harder Endings Longer contexts Low shot Activities for Situations With Adversarial Generations，強調題目有較長的情境描述，且錯誤選項經過對抗性生成以提高難度。
- 題目形式：每道題目以短篇描述開頭（句子多取自視頻字幕或線上教學文本，如 ActivityNet、WikiHow），描述一個日常動作或場景。接著給出4個可能的後續敘述選項，只有1個正確，其餘3個是精心生成且有誤導性的錯誤答案，要考驗模型的常識和邏輯推理能力。
- 範例：
人類很容易看出選項A最符合合理操作，機器則需理解物理和社會常識來作答。 - 上下文：一個人打開穀物盒，開始倒進碗裡。
- 選項A：他把碗放在桌上，拿起湯匙。
- 選項B：他把穀物扔向牆壁。
- 選項C：他走開並關上門。
- 選項D：他把盒子倒過來，什麼也沒出來。
- 測試內容：
- 需要理解事件的時間序列、
- 物理常識（行為是否可能）、
- 社會規範（行為是否合適）、
- 深層語義推理（基於暗示完成故事）。
- 資料規模：原始版本包含超過一萬道題目，2025年推出的 HellaSwag-Pro 更擴充了超過11,000道題，並引入句式轉換（如被動語態、否定詞）、語義敏感性測試、去除表面線索等，強化評測模型的推理穩健度。
- 評分意義：HellaSwag 不只是看模型表面文字匹配能力，而是衡量其真正理解和推斷常識事件的能力。目前人類正確率約95.6%，開源模型約80%，頂尖專有模型接近90%，顯示模型在常識推理上仍有提升空間。
- 應用與影響：
- 作為診斷工具，揭露大型語言模型在常識推理方面的限制，
- 驅動對抗性數據生成和語義穩健性評測技術，
- 幫助模型開發者在多樣化問題和語境中提升模型可靠度，
- 已成為多種自然語言處理應用的微調參考和評估標準。
