Сравнение производительности языковых моделей для HR-задач

Цели исследования и задачи

Мы занимаемся созданием HRTech-сервисов для оценки и развития компетенций специалистов. В наших сервисах применяются LLM и в качестве базового варианта мы использовали разные модели ChatGPT.

Основные задачи LLM включают:

• Сортировку и оценку резюме

• Оценку и формирование навыков кандидатов

• Ведение диалогов с кандидатами

• Оценку соответствия требованиям вакансий

Траектория развития наших продуктов предполагает перевод их опен-сорс либо на российские LLM, поэтому мы регулярно проводим оценку этих моделей с точки зрения их применимости к нашим задачам. В этой статье поделюсь полученным результатами сравнения некоторых моделей.

Методика тестирования

Тестирование проводилось на 20 вопросах, отражающих реальные HR-сценарии, например:

• Формирование списка навыков с описанием для вакансии аналитика

• Разработка комплексной рабочей ситуации для проведения кейс-интервью

• Генерация вопросы для собеседования

• Оценка резюме по заданному набору критериев и т.д.

Фиксировалось время ответа и оценивалось качество по критериям релевантности, полноты и корректности. Тесты выполнялись на сервере с видеокартами 1650 и 3050, а также на процессоре Ryzen 5 5600, что соответствует условиям промышленной эксплуатации.

Основные критерии выбора — качество ответов и быстродействие.

Качество оценивалось экспертно – эксперты независимо оценивали правильность ответа моделей по каждому вопросу, выставляли баллы, затем эти баллы усреднялись и суммировались. Возможный максимум по нашему внутреннему бенчмарку – 40 баллов (сейчас близкий к нему результат выдает ChatGPT)

Быстродействие оценивалось как среднее время ответа (в секундах).

Результаты сравнения

Всего в сравнении принимало участие свыше 40 моделей, самые лучшие результаты показали следующие:

Какие выводы мы сделали

• ChatGPT пока остается лидером в универсальных задачах, но для нишевых решений оправданно применение альтернатив.

Для большинства прикладных HR-задач вполне удовлетворительно работают open-source модели среднего размера (например, Llama 3.2 3b q4/q8, Qwen 2.5 7b q3) – они демонстрируют оптимальный баланс качества и времени отклика.

• Квантование эффективно снижает время отклика без значительной потери качества. Модели с более низким уровнем квантования (q3, q4) работают быстрее, сохраняя приемлемое качество.