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

9.0 KiB
Raw Blame History

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 
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）。

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%）：

evalharness eval run gsm8k --model mock-boxed --limit 8

2. 运行命令

单端点：

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）：

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）：

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）：

evalharness eval run bfcl_v3 --api-url http://localhost:8000/v1 --model qwen3-8b \
    --env bfcl_mock

Python API：

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
--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

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 产出结构（不传时自动保存到 evalharness-results/<时间戳>-<模型>/）：

<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

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
  • 缓存根目录由 --cache-dir 指定（或环境变量 $EVALHARNESS_CACHE，默认 ~/.cache/evalharness），结构：
<cache-dir>/
├── 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）
└── ckpt/<bench>[_<subset>].jsonl               预测断点（每条完成即追加）
  • 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）：

@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）：

@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。

运行外壳同样是插件：

插件点 注册 说明
进度报告 @register_progress('rich'/'plain'/...) --progress-plugin 选择；rich 是终端进度条，plain 是纯叙事行（CI/日志）
叙事主题 @register_theme('default'/...) --theme 选择；图标/配色/句子高亮的映射表
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）

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。