Meta-Eval/EvalHarness
3
0
Fork 0
Code Issues Pull Requests Actions Packages Projects Releases Wiki Activity

README overhaul: features overview, config section, perf stats, FAQ

Browse Source 
- accurate output structure (summary.xlsx/csv + per-bench xlsx; drop
  stale detail.md/summary.md mentions)
- dedicated YAML-config section documenting the keys that actually work
  (generation params + repeats + max_input_tokens) and precedence
- perf-stats table: what is always collected vs --perf streaming-only
- FAQ: endpoint probe, context-overflow shrink, thinking-mode notes
  (non-stream chat_template_kwargs vs cloud-API param), auto-stream
- config/README.md rewritten to match the flat-key reality (old file
  documented a directory scheme + judge/env keys that are not consumed)

Co-Authored-By: Claude <noreply@anthropic.com>
This commit is contained in:
sora 2026-09-14 02:30:38 +00:00
parent a17dd88611
commit e9d7e7f4eb
2 changed files with 161 additions and 88 deletions
Show Stats Download Patch File Download Diff File Expand all files Collapse all files

182
README.md
View File

@ -1,11 +1,22 @@
# EvalHarness # EvalHarness
插件式 LLM/Agent 评测框架：28 个 benchmark 开箱即用，官方口径 prompt 与判分，任意 OpenAI 兼容端点，断点续跑。 插件式 LLM / Agent 评测框架：**28 个 benchmark 开箱即用，官方口径 prompt 与判分，任意 OpenAI 兼容端点，断点续跑，与 evalscope 对齐**。
``` ```
提供端点 → 拉数据 → 渲染官方 prompt → 并发生成 → 官方判分 → 报告 提供端点 → 拉数据 → 渲染官方 prompt → 并发生成 → 官方判分 → Excel/JSON 报告
``` ```
## 特性
- **28 个 benchmark**：数学 / 知识 / 问答 / 长上下文 / 代码（Docker 沙箱）/ Agent 工具调用，prompt 与判分器按官方实现逐字节复刻，与 evalscope 双层验证对齐（见 §10）
- **任意端点**：单端点、多端点池（轮询 + 自适应并发 + failover）、云 API 全兼容；vLLM / sglang / lmdeploy / ollama / OpenAI 协议直连
- **断点续跑**：每条预测完成即落盘，中断重跑只补缺口；`repeats` 多轮采样自动隔离断点
- **YAML 配置**：逐 bench 生成参数（temperature / max_tokens / repeats …）集中管理，命令行保持极简
- **长输入安全**：tokenizer 中段截断（`max_input_tokens`）+ 上下文溢出自适应收缩重试
- **性能统计**：延迟 / 吞吐 / token 用量默认采集；`--perf` 追加流式 TTFT / ITL
- **全链路插件化**：数据集、判分、prompt 渲染、适配器、沙箱、进度条、主题、钩子均可单文件注册扩展
- **模型指纹核验**：fp_fusion 五维探针电池，检测 API 换模 / 降配 / 冒充 / 套壳
## 0. Benchmarks ## 0. Benchmarks
| 族 | benchmark | | 族 | benchmark |
@ -24,7 +35,11 @@ evalharness eval list # 28 个判分 recipe
## 1. 安装 ## 1. 安装
Python ≥ 3.10；代码执行类 benchmark 需宿主机 Docker（镜像判分时自动拉取）。 | 依赖 | 说明 |
|---|---|
| Python ≥ 3.10 | 核心零三方依赖（pydantic 除外） |
| Docker（可选） | 代码执行类 benchmark（humaneval 等）需要；镜像判分时自动拉取 |
| `rich`（可选） | 进度条；缺失自动降级纯文本 |
```bash ```bash
git clone https://git.meta-stone.net/sora/EvalHarness.git git clone https://git.meta-stone.net/sora/EvalHarness.git
@ -40,7 +55,7 @@ pip install .
evalharness eval run gsm8k --model mock-boxed --limit 8 evalharness eval run gsm8k --model mock-boxed --limit 8
``` ```
## 2. 运行命令 ## 2. 快速开始
六个基准一次跑完（默认用法；逐 bench 生成参数自动读 `evalharness/config/default.yaml`，aime 系列按配置自动跑 12 遍取均值）： 六个基准一次跑完（默认用法；逐 bench 生成参数自动读 `evalharness/config/default.yaml`，aime 系列按配置自动跑 12 遍取均值）：
@ -56,7 +71,7 @@ evalharness eval run humaneval aime25 aime26 gpqa_diamond mmlu_pro longbench_v2
--hf-endpoint https://hf-mirror.com --hf-endpoint https://hf-mirror.com
``` ```
单端点（最小示例）： 单端点最小示例：
```bash ```bash
evalharness eval run gsm8k \ evalharness eval run gsm8k \
@ -67,6 +82,35 @@ evalharness eval run gsm8k \
--out-dir results/run1 --out-dir results/run1
``` ```
## 3. 配置（YAML）
逐 bench 生成参数集中在 `evalharness/config/<name>.yaml`。目录里只有一个 yaml 时**自动加载**；`--config <name>` 显式指定。
```yaml
default: # 所有 bench 继承的协议级默认
temperature: 0.0
top_p: 1.0
max_tokens: 32768
aime25: # 逐 bench 覆盖
temperature: 1.0 # 采样温度（temp=1 方差测量）
max_tokens: 8192 # 生成预算
repeats: 12 # 跑 12 遍报均值 ± 极差（断点按轮隔离，互不串用）
longbench_v2:
max_input_tokens: 128000 # 超长输入的 tokenizer 中段截断预算
```
优先级（低 → 高）：
```
DatasetSpec.gen_config < default 段 < bench 段 < 命令行显式参数
```
当前支持的键：`temperature` `top_p` `max_tokens` `max_input_tokens` `repeats`。
## 4. 进阶用法
多端点池（轮询 + 自适应并发 + failover）： 多端点池（轮询 + 自适应并发 + failover）：
```bash ```bash
@ -93,27 +137,6 @@ evalharness eval run bfcl_v3 --api-url http://localhost:8000/v1 --model qwen3-8b
--env bfcl_mock --env bfcl_mock
``` ```
### 指纹核验（fp_fusion）
回答一个问题：**API 背后跑的，到底是不是它声称的那个模型？** 向 OpenAI 兼容端点发送探针电池（回答分布 / 自我身份 / 元知识 / 能力边界 / 文风五维），与内置参考指纹库比对，输出五档裁决 + 0~1 融合分 + 证据链。检测偷梁换柱、降配缩水、主动冒充（伪身份注入屈服）、套壳拼装与中转代理；`--mode full` 一次运行产出 verify / attribution / variant / adversarial / robustness 五个视图。
```bash
evalharness fingerprint list # 内置参考指纹库（fp_fusion 口径 + detector 旧口径）
evalharness fingerprint run \
--api-url http://localhost:8000/v1 --model Qwen3-8B \
--mode full --cells core16 --text-skip pruned7 \
--d-samples 25 --baseline-samples 5 --timeout 90 \
--impersonate "You are Kimi, Moonshot AI virtual assistant." \
--reference glm53 \
--report-path reports/fp_qwen.json
```
- `--reference` 接受短名（如 `glm53`，见 `fingerprint list`）或 JSON 路径；省略 = 自证模式（裁决上限 LIKELY_MATCH）
- `--impersonate` 注入伪身份启用对抗视图（冒充检测）；剪枝定稿协议即上例参数，单次 505 条请求，公网 14.5–28 min，本地 vllm 5.6–7 min
- 报告写入 `--report-path`，同目录 `raw_answers.jsonl` 存全部探针原文
- 离线分析与参考采集脚本（`cell_snr.py` / `validate_*.py` / `collect_ref.sh` 等，可直接 `python <script>` 运行）与完整方法论文档见 `evalharness/fingerprint/fp_fusion_介绍.md`
Python API： Python API：
```python ```python
@ -125,30 +148,44 @@ rep.save('gsm8k.report.json')
# notebook / async 环境用 await evalharness.arun(...) # notebook / async 环境用 await evalharness.arun(...)
``` ```
## 3. 参数速查 ## 5. 参数速查
| 参数 | 作用 | | 参数 | 作用 |
|---|---| |---|---|
| `--api-url` `--model` `--provider` | 端点、模型名（纯名字，无需拼 spec）、协议（`openai-chat`/`openai-pool`） | | `--api-url` `--model` `--provider` | 端点、模型名（纯名字，无需拼 spec）、协议（`openai-chat`/`openai-pool`） |
| `--api-key` | 显式 key（优先于环境变量；只进请求头，不写入 spec/报告） | | `--api-key` | 显式 key（优先于环境变量；只进请求头，不写入 spec/报告） |
| `--disable-thinking` | `enable_thinking=false`（Qwen3 类模型推荐；带 tools 的请求自动退回兼容软开关） | | `--disable-thinking` | `enable_thinking=false`（Qwen3/GLM 类模型推荐；带 tools 的请求自动退回兼容软开关） |
| `--judge-model` `--judge-api-url` `--judge-api-key` `--judge-provider` | judge 端四件套，语义与主模型对称 | | `--judge-model` `--judge-api-url` `--judge-api-key` `--judge-provider` | judge 端四件套，语义与主模型对称 |
| `--config NAME` | 指定 `evalharness/config/<NAME>.yaml`（省略时唯一 yaml 自动加载） |
| `--profile NAME` | 命名生成参数集（`dp4-nothink` / `qwen3-es-parity` / `t1-short` 或自定义） |
| `--limit N` / `--limit-per-task N` | 全局前 N / 每子集前 N（多科目 bench 用后者；可组合取交集） | | `--limit N` / `--limit-per-task N` | 全局前 N / 每子集前 N（多科目 bench 用后者；可组合取交集） |
| `--subset` `--split` `--source` | 覆盖子集 / split / 数据源（可指本地路径离线跑） | | `--subset` `--split` `--source` | 覆盖子集 / split / 数据源（可指本地路径离线跑） |
| `--concurrency N` | 并发（默认 32；长输出 bench 建议 8-16） | | `--concurrency N` | 并发（默认 32；长输出 bench 建议 8-16） |
| `--resume [PATH]` | 断点续跑；默认 `<cache-dir>/ckpt/<bench>.jsonl` | | `--resume [PATH]` | 断点续跑；默认 `<cache-dir>/ckpt/<bench>.jsonl` |
| `--profile NAME` | 命名生成参数集（`dp4-nothink` / `qwen3-es-parity` / `t1-short` 或自定义） |
| `--env NAME` | agent 环境（`bfcl_mock` 等） | | `--env NAME` | agent 环境（`bfcl_mock` 等） |
| `--perf` | 采集流式 TTFT / ITL / 重试率入报告 | | `--perf` | 采集流式 TTFT / ITL / 重试率入报告 |
| `--hf-endpoint URL` | 数据下载端点（如 `https://hf-mirror.com`，免手动 export） | | `--hf-endpoint URL` | 数据下载端点（如 `https://hf-mirror.com`，免手动 export） |
| `--cache-dir DIR` | 缓存根目录（数据缓存 + 断点同根；默认 `$EVALHARNESS_CACHE` 或 `~/.cache/evalharness`） | | `--cache-dir DIR` | 缓存根目录（数据缓存 + 断点同根；默认 `$EVALHARNESS_CACHE` 或 `~/.cache/evalharness`） |
| `--out FILE` / `--out-dir DIR` | 报告落盘；多 bench 时写 `reports/` + `viz/` + `summary.md` | | `--out FILE` / `--out-dir DIR` | 报告落盘，见 §6 输出结构 |
| `--style text\|md\|md_compare\|excel\|radar\|errors` | 结果渲染样式 | | `--style text\|md\|md_compare\|excel\|radar\|errors` | 结果渲染样式 |
| `--no-progress` | 关闭 Rich 进度条（重定向日志时用） | | `--no-progress` | 关闭 Rich 进度条（重定向日志时用） |
API key 解析顺序：`--api-key` > 按端点域名的环境变量（`api.openai.com`→`OPENAI_API_KEY`、`anthropic.com`→`ANTHROPIC_API_KEY`、`dashscope`→`DASHSCOPE_API_KEY`、`bigmodel`→`ZAI_API_KEY`）> `OPENAI_API_KEY`。自建端点无鉴权可不管。 API key 解析顺序：`--api-key` > 按端点域名的环境变量（`api.openai.com`→`OPENAI_API_KEY`、`anthropic.com`→`ANTHROPIC_API_KEY`、`dashscope`→`DASHSCOPE_API_KEY`、`bigmodel`→`ZAI_API_KEY`）> `OPENAI_API_KEY`。自建端点无鉴权可不管。
## 4. 评测结果 ## 6. 输出结构
`--out-dir` 产出（不传时自动保存到 `evalharness-results/<时间戳>-<模型>/`）：
```
<out-dir>/
├── summary.xlsx 总表（Summary / Perf / Categories / Samples 四 sheet，主入口）
├── summary.csv 同一张总表的 csv 版
└── <bench>/ 每个 benchmark 一个目录
├── report.jsonl 完整报告，流式行格式（首行报告头，之后每行一个样本；grep/tail 友好）
└── <bench>.xlsx 该 bench 的独立 Excel（Summary/Perf/Categories/Samples）
```
查看与对照：
```bash ```bash
evalharness viz show gsm8k.report.json # 控制台表格 evalharness viz show gsm8k.report.json # 控制台表格
@ -157,18 +194,19 @@ evalharness viz show report.json --style excel # 4-sheet 仪表盘
evalharness viz show report.json --style errors # 失败样本下钻 evalharness viz show report.json --style errors # 失败样本下钻
``` ```
`--out-dir` 产出结构（不传时自动保存到 `evalharness-results/<时间戳>-<模型>/`）： ## 7. 性能统计
``` 每轮运行的延迟与 token 用量默认采集，进 `summary.csv` 的 Perf 列与 `metric_groups['perf']`：
<out-dir>/
├── summary.xlsx 总表 Excel（Summary/Perf/Categories/Samples 四 sheet，主入口）
├── summary.csv 同一张总表的 csv 版
└── <bench>/ 每个 benchmark 一个目录
├── report.jsonl 完整报告，流式行格式（首行报告头，之后每行一个样本；grep/tail 友好）
└── detail.md 该 bench 的 markdown 详情
```
## 5. 缓存与断点 | 指标 | 采集条件 |
|---|---|
| `latency_mean/p50/p90/p95/p99_s` | 始终采集（逐请求墙钟） |
| `output_tps` `request_qps` `input/output_tokens` `success_rate` `retry_rate` | 始终采集 |
| `ttft_mean/p90/p99_s`、`tpot_*`（逐 token 延迟） | 仅 `--perf`（流式才有首 token 时刻） |
`repeats` 模式下：分数报**均值**（`<metric>_last_run` 保留末轮值），时间 / token 报**全部轮次总和**。
## 8. 缓存与断点
```bash ```bash
evalharness data fetch gsm8k mmlu --workers 8 # 预取（首次运行也会自动下载） evalharness data fetch gsm8k mmlu --workers 8 # 预取（首次运行也会自动下载）
@ -177,22 +215,22 @@ evalharness data show gsm8k -n 2 # 看前 2 条样本
evalharness data unload gsm8k # 删缓存 evalharness data unload gsm8k # 删缓存
``` ```
- 缓存根目录由 `--cache-dir` 指定（或环境变量 `$EVALHARNESS_CACHE`，默认 `~/.cache/evalharness`），结构： 缓存根目录由 `--cache-dir` 指定（或 `$EVALHARNESS_CACHE`，默认 `~/.cache/evalharness`）：
``` ```
<cache-dir>/ <cache-dir>/
├── datasets/<bench>/<subset>_<split>-<hash>/ 数据缓存（raw/ 原始字节 + samples.jsonl 统一样本） ├── datasets/<bench>/<subset>_<split>-<hash>/ 数据缓存（raw/ 原始字节 + samples.jsonl 统一样本）
├── .raw/<repo-hash>/ 跨条目共享的下载 blob（多子集只下载一次） ├── .raw/<repo-hash>/ 跨条目共享的下载 blob（多子集只下载一次）
└── ckpt/<bench>[_<subset>].jsonl 预测断点（每条完成即追加） └── ckpt/<bench>[_<subset>][:repN]-<hash>.jsonl 预测断点（每条完成即追加；repeats 按轮隔离）
``` ```
- 数据缓存内容寻址（subset/split/source 变更自动新条目），位置 `<cache-dir>/datasets/` - 数据缓存内容寻址（subset/split/source 变更自动新条目）
- 断点每条预测即写盘；**改了 prompt 模板须删旧断点**（`rm <cache-dir>/ckpt/<bench>*.jsonl`），否则复用旧预测 - **改了 prompt 模板须删旧断点**（`rm <cache-dir>/ckpt/<bench>*.jsonl`），否则复用旧预测
- 网络抖动三层防护：15s 连接超时快速失败 → 池内换端点 → 分钟级退避重试，断网不丢批次 - 网络抖动三层防护：15s 连接超时快速失败 → 池内换端点 → 指数退避重试，断网不丢批次
- 判分与生成解耦：换 recipe / grader 对存量预测直接重判（`evaluate(ds, preds)`），模型不被重复调用 - 判分与生成解耦：换 recipe / grader 对存量预测直接重判（`evaluate(ds, preds)`），模型不被重复调用
- Docker 镜像源回退链可用 `EVALHARNESS_DOCKER_MIRRORS` 覆盖（逗号分隔模板，`{img}` 占位） - Docker 镜像源回退链可用 `EVALHARNESS_DOCKER_MIRRORS` 覆盖（逗号分隔模板，`{img}` 占位）
## 6. 扩展 ## 9. 扩展
加数据集（单文件放入 `evalharness/data/datasets/`，自动注册）： 加数据集（单文件放入 `evalharness/data/datasets/`，自动注册）：
@ -226,7 +264,37 @@ def mybench():
| 生命周期钩子 | `@register_hook('on_benchmark_failed'/'on_benchmark_done')` | 观察/扩展运行（webhook 通知、失败重试策略），钩子报错不影响主流程 | | 生命周期钩子 | `@register_hook('on_benchmark_failed'/'on_benchmark_done')` | 观察/扩展运行（webhook 通知、失败重试策略），钩子报错不影响主流程 |
| 端点探针 | `@register_prober('ping'/...)` | 运行前的端点可用性验证策略（`EVALHARNESS_PROBER` 环境变量选择） | | 端点探针 | `@register_prober('ping'/...)` | 运行前的端点可用性验证策略（`EVALHARNESS_PROBER` 环境变量选择） |
## 7. 架构 ## 10. 对齐验证
prompt 与判分器经双层验证（字符串级：同一记录双侧渲染逐字节一致；分数级：同题同参数对比 evalscope）：
- Qwen3-8B：23/28 分差 < 0.05
- DeepSeek-V4-Flash：20+/25 分差 < 0.05（mmlu_pro 0.0000）
残差均已定性（金标集差异 / 排列敏感 / benchmark 侧缺陷），见各 recipe 注释。
## 附录 A：模型指纹核验（fp_fusion）
回答一个问题：**API 背后跑的，到底是不是它声称的那个模型？** 向 OpenAI 兼容端点发送探针电池（回答分布 / 自我身份 / 元知识 / 能力边界 / 文风五维），与内置参考指纹库比对，输出五档裁决 + 0~1 融合分 + 证据链。检测偷梁换柱、降配缩水、主动冒充（伪身份注入屈服）、套壳拼装与中转代理；`--mode full` 一次运行产出 verify / attribution / variant / adversarial / robustness 五个视图。
```bash
evalharness fingerprint list # 内置参考指纹库（fp_fusion 口径 + detector 旧口径）
evalharness fingerprint run \
--api-url http://localhost:8000/v1 --model Qwen3-8B \
--mode full --cells core16 --text-skip pruned7 \
--d-samples 25 --baseline-samples 5 --timeout 90 \
--impersonate "You are Kimi, Moonshot AI virtual assistant." \
--reference glm53 \
--report-path reports/fp_qwen.json
```
- `--reference` 接受短名（如 `glm53`，见 `fingerprint list`）或 JSON 路径；省略 = 自证模式（裁决上限 LIKELY_MATCH）
- `--impersonate` 注入伪身份启用对抗视图（冒充检测）；剪枝定稿协议即上例参数，单次 505 条请求，公网 14.5–28 min，本地 vllm 5.6–7 min
- 报告写入 `--report-path`，同目录 `raw_answers.jsonl` 存全部探针原文
- 离线分析与参考采集脚本（`cell_snr.py` / `validate_*.py` / `collect_ref.sh` 等，可直接 `python <script>` 运行）与完整方法论文档见 `evalharness/fingerprint/fp_fusion_介绍.md`
## 附录 B：架构
``` ```
data/ 统一 Sample schema，惰性物化，内容寻址缓存（28 个单文件插件） data/ 统一 Sample schema，惰性物化，内容寻址缓存（28 个单文件插件）
@ -242,11 +310,19 @@ progress/ Rich 每样本进度（缺 rich 自动降级）
层间严格分离：数据层只回答"题目与金标"，判分层只回答"如何评判"，模型层只回答"如何触达"；预测是不可变 artifact。 层间严格分离：数据层只回答"题目与金标"，判分层只回答"如何评判"，模型层只回答"如何触达"；预测是不可变 artifact。
## 8. 对齐验证 ## 附录 C：常见问题
prompt 与判分器经双层验证（字符串级：同一记录双侧渲染逐字节一致；分数级：同题同参数对比 evalscope）： **端点不可达（ConnectError，跑样本前即中止）**
探针在首个样本前发 1-token ping，失败即给出 curl 验证命令并中止，零 token 浪费。按提示 `curl -m 5 <api-url>/chat/completions ...` 手工确认服务在跑。
- Qwen3-8B：23/28 分差 < 0.05 **上下文溢出（400 maximum context length）**
- DeepSeek-V4-Flash：20+/25 分差 < 0.05（mmlu_pro 0.0000） 自动截短 prompt 15% 重试（跨 tokenizer 安全边际，1-2 次收敛）；`max_input_tokens`（YAML）可预先做中段截断，长上下文 bench 建议配置。
残差均已定性（金标集差异 / 排列敏感 / benchmark 侧缺陷），见各 recipe 注释。 **思考模式（thinking）关不掉？**
`--disable-thinking` 走 `chat_template_kwargs`，非流式请求完全生效（sglang/vLLM 已验证）。注意：部分网关在**流式**路径会剥掉该参数——本框架仅在 `max_tokens > 100000` 时自动转流式（聚合还原为非流式响应），常规 8k/32k 预算不受影响。智谱云 API 风格的 `thinking: {"type": ...}` 参数 sglang 不识别，自建端点请用本框架的开关。
**GLM 大预算生成挂起**
非流式大 body（100k+ token 输出）部分网关会缓冲到超时；自动流式路径已内置（见上条），无需手工干预。
**Docker 拉镜像慢/失败**
`EVALHARNESS_DOCKER_MIRRORS="mirror.example.com/{img},docker.io/{img}"` 覆盖回退链。

67
evalharness/config/README.md
View File

@ -1,63 +1,60 @@
# 配置目录 # 配置目录
每个模型/协议一个文件夹，内含逐 bench 的 YAML 配置。 逐 bench 生成参数的 YAML，`eval run` 时自动应用。
``` ```
config/ config/
├── README.md ← 本文件 ├── README.md ← 本文件
└── dp4-nothink/ ← 模型/协议名 └── default.yaml ← 当前唯一配置（自动加载）
├── default.yaml ← 协议级默认参数（所有 bench 继承）
├── aime24.yaml ← 逐 bench 覆盖
├── aime25.yaml
├── ...
└── swe_bench_verified.yaml
``` ```
## 每个 YAML 的结构 ## YAML 结构（单文件，扁平键）
```yaml ```yaml
# generation: 传给模型的参数 default: # 协议级默认，所有 bench 继承
generation: temperature: 0.0
temperature: 1.0
max_tokens: 8192
top_p: 1.0 top_p: 1.0
max_tokens: 32768
# run: 运行方式 aime25: # 逐 bench 覆盖（键与 default 同级合并）
run: temperature: 1.0 # temp=1 方差测量
repeats: 12 # 跑 12 遍取均值（temp=1 方差测量用） max_tokens: 8192
limit: null # 全量 / limit_per_task: 10 每子集 10 条 repeats: 12 # 跑 12 遍报均值；断点按轮隔离（:rep2 :rep3 ...）
checkpoint: true
resume: true
# judge: LLM-judge 类 bench 需要 longbench_v2:
judge: max_tokens: 8192
model: dp4-flash max_input_tokens: 128000 # 超长输入的 tokenizer 中段截断预算
api_url: http://174.1.51.4:30000/v1
``` ```
## 支持的键
| 键 | 作用 |
|---|---|
| `temperature` `top_p` `max_tokens` | 生成参数，直传模型 |
| `max_input_tokens` | 输入截断预算（tokenized 中段截断，头部尾部保留） |
| `repeats` | 该 bench 重复轮数；summary 报均值，时间/token 报总和 |
## 优先级 ## 优先级
``` ```
DatasetSpec.gen_config < default.yaml < <bench>.yaml < 命令行显式参数 DatasetSpec.gen_config < default 段 < bench 段 < 命令行显式参数
``` ```
## 使用 ## 使用
```bash ```bash
# 单 bench # 目录里只有一个 yaml 时自动加载；--config 显式指定（省略 .yaml 后缀）
evalharness eval run aime25 --config dp4-nothink --api-url ... --model ... evalharness eval run aime25 --config default --api-url ... --model ...
# 多 bench（自动读各自的 yaml） # 多 bench：各自读自己的段
evalharness eval run aime24 aime25 aime26 hmmt26 --config dp4-nothink ... evalharness eval run aime24 aime25 aime26 hmmt26 --config default ...
# 查看某 bench 的生效配置
evalharness config show dp4-nothink aime25
``` ```
## 新增模型配置 ## 新增一套配置
```bash ```bash
mkdir config/qwen3-es-parity cp default.yaml glm53-nothink.yaml # 编辑后
cp config/dp4-nothink/default.yaml config/qwen3-es-parity/ evalharness eval run aime25 --config glm53-nothink ...
# 编辑 default.yaml，然后按需添加逐 bench 覆盖
``` ```
注意：同时存在多个 yaml 时不自动加载，必须 `--config` 指明。