189 lines
7.6 KiB
Markdown
189 lines
7.6 KiB
Markdown
# 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。
|
||
|
||
```
|
||
提供端点 → 拉数据 → 渲染官方 prompt → 并发生成 → 官方判分 → 报告
|
||
```
|
||
|
||
## 0. Benchmarks
|
||
|
||
| 族 | benchmark |
|
||
|---|---|
|
||
| 数学 | `gsm8k` `competition_math` `aime24/25/26` `hmmt26` `imo_answerbench` |
|
||
| 知识/选择题 | `mmlu` `mmlu_pro` `cmmlu` `gpqa_diamond` `arc` `hellaswag` `winogrande` `bbh` |
|
||
| 问答 | `trivia_qa` `drop` `simple_qa` `hle` |
|
||
| 长上下文 | `longbench_v2` `openai_mrcr` |
|
||
| 代码（Docker 沙箱） | `humaneval` `bigcodebench` `live_code_bench` |
|
||
| Agent/工具 | `bfcl_v3` `general_fc` `tau2_bench` `swe_bench_verified` |
|
||
|
||
```bash
|
||
evalharness data list # 28 个数据集：源/子集/few-shot/split
|
||
evalharness eval list # 28 个判分 recipe
|
||
```
|
||
|
||
## 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）。
|
||
|
||
```bash
|
||
git clone https://git.meta-stone.net/sora/EvalHarness.git
|
||
cd EvalHarness
|
||
conda create -n evalharness python=3.10 -y
|
||
conda activate evalharness
|
||
pip install .
|
||
```
|
||
|
||
离线自检（不联网、不接模型，应得 acc 100%）：
|
||
|
||
```bash
|
||
evalharness eval run gsm8k --model mock-boxed --limit 8
|
||
```
|
||
|
||
## 2. 运行命令
|
||
|
||
单端点：
|
||
|
||
```bash
|
||
evalharness eval run gsm8k \
|
||
--api-url http://localhost:8000/v1 \
|
||
--model qwen3-8b \
|
||
--disable-thinking \
|
||
--limit 200 --resume \
|
||
--out-dir results/run1
|
||
```
|
||
|
||
多端点池（轮询 + 自适应并发 + failover）：
|
||
|
||
```bash
|
||
evalharness eval run mmlu \
|
||
--provider openai-pool \
|
||
--api-url 'http://gpu1:{8123..8130}/v1,http://gpu2:{8200..8203}/v1' \
|
||
--model qwen3-8b --disable-thinking
|
||
```
|
||
|
||
需要 judge 的 bench（hle / simple_qa / imo）：
|
||
|
||
```bash
|
||
evalharness eval run hle \
|
||
--api-url http://localhost:8000/v1 --model qwen3-8b --disable-thinking \
|
||
--judge-model dp4-flash \
|
||
--judge-api-url http://judge-host:30000/v1 \
|
||
--limit-per-task 25
|
||
```
|
||
|
||
Agent bench（多轮工具调用）：
|
||
|
||
```bash
|
||
evalharness eval run bfcl_v3 --api-url http://localhost:8000/v1 --model qwen3-8b \
|
||
--env bfcl_mock
|
||
```
|
||
|
||
Python API：
|
||
|
||
```python
|
||
import evalharness
|
||
|
||
rep = evalharness.run('gsm8k', 'openai/http://localhost:8000/v1?qwen3-8b', limit=200)
|
||
rep.save('gsm8k.report.json')
|
||
|
||
# notebook / async 环境用 await evalharness.arun(...)
|
||
```
|
||
|
||
## 3. 参数速查
|
||
|
||
| 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-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） |
|
||
| `--judge-model` `--judge-api-url` `--judge-api-key` `--judge-provider` | judge 端四件套，语义与主模型对称 |
|
||
| `--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） |
|
||
| `--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` |
|
||
| `--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） |
|
||
| `--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） |
|
||
| `--cache-dir DIR` | 缓存根（数据缓存 + 断点同根） |
|
||
| `--out FILE` / `--out-dir DIR` | 报告落盘；多 bench 时写 `reports/` + `viz/` + `summary.md` |
|
||
| `--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） |
|
||
|
||
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
|
||
|
||
```bash
|
||
evalharness viz show gsm8k.report.json # 控制台表格
|
||
evalharness viz show a.json b.json --style md_compare # 多模型对照（含差值标记）
|
||
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
|
||
```
|
||
|
||
`--out-dir` 自动产出：`reports/<bench>.report.json`（每样本原始预测、分数明细、token 用量、agent 轨迹）、`viz/<bench>.txt`、`summary.md`（全 bench 一张表）与 `summary.csv`（含 perf 列）。
|
||
|
||
## 5. 缓存与断点
|
||
|
||
```bash
|
||
evalharness data fetch gsm8k mmlu --workers 8 # 预取（首次运行也会自动下载）
|
||
evalharness data stats cmmlu # 条数/长度/答案分布
|
||
evalharness data show gsm8k -n 2 # 看前 2 条样本
|
||
evalharness data unload gsm8k # 删缓存
|
||
```
|
||
|
||
- 数据缓存内容寻址（subset/split/source 变更自动新条目），位置 `<cache-dir>/datasets/`
|
||
- 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
|
||
- 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
|
||
- 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）
|
||
|
||
## 6. 扩展
|
||
|
||
加数据集（单文件放入 `evalharness/data/datasets/`，自动注册）：
|
||
|
||
```python
|
||
@register_dataset(DatasetSpec(name='mybench', source='org/mybench',
|
||
split='test', task_type='mcq'))
|
||
def mybench():
|
||
return FieldSpec(input='question', choices='options', target='answer_key')
|
||
```
|
||
|
||
绑定判分（recipe = 注册原语的声明式组合）：
|
||
|
||
```python
|
||
@register_eval('mybench')
|
||
def mybench():
|
||
return EvalRecipe(
|
||
extract=['my_answer', 'answer_phrase'], # 级联，首个成功者胜
|
||
scorers={'acc': 'exact'}, # math_equal/em_f1/execution/env_reward/llm_judge
|
||
aggregators={'acc': 'mean'}, # pass_at_k/grouped_avg/binned_avg
|
||
)
|
||
```
|
||
|
||
其余插件点同构：`@register_prompt_renderer`、`@register_extractor/scorer/aggregator`、`@register_adapter`、`@register_sandbox`、`@register_env`、`@register_renderer`。
|
||
|
||
## 7. 架构
|
||
|
||
```
|
||
data/ 统一 Sample schema，惰性物化，内容寻址缓存（28 个单文件插件）
|
||
model/ adapter（协议）+ pool（端点池/AIMD/failover）+ prompt_renderers + gen_profiles
|
||
eval/ extract → score → aggregate 流水线 + recipes
|
||
sandbox/ docker 硬隔离执行 / local；镜像引用计数
|
||
agent/ 消息泵 + Environment 插件（bfcl/tau2/swe）
|
||
viz/ text/md/md_compare/excel/radar/errors
|
||
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。
|
||
|
||
## 8. 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。
|