sora/evalstone
1
1
Fork 0
Code Issues Pull Requests Actions Packages Projects Releases Wiki Activity

feat: refactor GLM52_API_TEST1.sh to generic API runner and add API test README

Browse Source
This commit is contained in:
sora 2026-07-31 02:50:23 +00:00
parent 11d921071b
commit 025763be2e
2 changed files with 320 additions and 0 deletions
Show Stats Download Patch File Download Diff File Expand all files Collapse all files

159
bash/case/GLM52_API_TEST1.sh Executable file
View File

@ -0,0 +1,159 @@
#!/bin/bash
# ============================================================
# 通用 API 模型评测脚本（原 GLM52_API_TEST1.sh 升级版）
#
# 用法:
# # 1. 环境变量方式（推荐，避免命令行泄露 key）
# export EVAL_API_KEY="sk-xxxx"
# export EVAL_API_URL="https://api.example.com/v1"
# export EVAL_MODEL="glm-5.2"
# export EVAL_DATASETS="gsm8k,aime24,arc"
# bash bash/case/GLM52_API_TEST1.sh
#
# # 2. 命令行方式
# bash bash/case/GLM52_API_TEST1.sh \
# --api-key sk-xxxx \
# --api-url https://api.example.com/v1 \
# --model glm-5.2 \
# --datasets gsm8k,aime24,arc
#
# # 3. 使用内置 mode（quick / lite / mid / full / official / custom）
# bash bash/case/GLM52_API_TEST1.sh --mode quick
#
# 修改 datasets：改 EVAL_DATASETS 环境变量或 --datasets 参数即可。
# ============================================================
set -euo pipefail
ROOT_DIR="$(cd "$(dirname "${BASH_SOURCE[0]}")/../.." && pwd)"
cd "$ROOT_DIR"
# --------------------------------------------------
# 默认配置（可通过环境变量或命令行覆盖）
# --------------------------------------------------
API_KEY="${EVAL_API_KEY:-}"
API_URL="${EVAL_API_URL:-https://api.vectron.meta-stone.com/v1}"
MODEL="${EVAL_MODEL:-DeepSeek/DeepSeek-V4-Flash}"
DATASETS="${EVAL_DATASETS:-gsm8k,aime24,arc}"
FOLDER_NAME="${EVAL_FOLDER_NAME:-API-Test}"
CONFIG="${EVAL_CONFIG:-config/dpv4-int8_nothinking.yaml}"
BATCH_SIZE="${EVAL_BATCH_SIZE:-4}"
LIMIT="${EVAL_LIMIT:-none}"
SEED="${EVAL_SEED:-42}"
THINKING="${EVAL_THINKING:-false}"
MODE="${EVAL_MODE:-custom}"
# --------------------------------------------------
# 解析命令行参数
# --------------------------------------------------
while [[ $# -gt 0 ]]; do
case "$1" in
--api-key) API_KEY="$2"; shift 2 ;;
--api-url) API_URL="$2"; shift 2 ;;
--model) MODEL="$2"; shift 2 ;;
--datasets) DATASETS="$2"; shift 2 ;;
--folder-name) FOLDER_NAME="$2"; shift 2 ;;
--config) CONFIG="$2"; shift 2 ;;
--batch-size) BATCH_SIZE="$2"; shift 2 ;;
--limit) LIMIT="$2"; shift 2 ;;
--seed) SEED="$2"; shift 2 ;;
--thinking) THINKING="true"; shift ;;
--no-thinking) THINKING="false"; shift ;;
--mode) MODE="$2"; shift 2 ;;
-h|--help)
grep '^# ' "$0" | sed 's/^# //'
exit 0
;;
*) echo "未知参数: $1"; exit 1 ;;
esac
done
# --------------------------------------------------
# 模式预设：按需改这里即可扩展常用组合
# --------------------------------------------------
case "$MODE" in
quick)
DATASETS="gsm8k,aime24,arc"
LIMIT="20"
;;
lite)
DATASETS="gsm8k,aime24,humaneval,arc"
LIMIT="none"
;;
mid)
DATASETS="gsm8k,aime24,aime25,bbh,humaneval,arc,simple_qa"
LIMIT="none"
;;
full)
DATASETS="bigcodebench,humaneval,live_code_bench,aime24,aime25,aime26,hmmt26,imo_answerbench,gsm8k,competition_math,bbh,drop,gpqa_diamond,mmlu_pro,simple_qa,mmlu,cmmlu,arc,hellaswag,trivia_qa,winogrande,longbench_v2,openai_mrcr,general_fc,bfcl_v3"
LIMIT="none"
;;
official)
# 与 DP4-Flash 官方套件对齐
DATASETS="bigcodebench,humaneval,live_code_bench,aime24,aime25,aime26,hmmt26,imo_answerbench,gsm8k,competition_math,bbh,drop,gpqa_diamond,mmlu_pro,simple_qa,mmlu,cmmlu,arc,hellaswag,trivia_qa,winogrande,longbench_v2,openai_mrcr,tau2_bench,general_fc,bfcl_v3"
LIMIT="none"
;;
custom)
# 使用 DATASETS 环境变量或命令行传入的值
;;
*)
echo "未知模式: $MODE"
echo "可用模式: quick | lite | mid | full | official | custom"
exit 1
;;
esac
# --------------------------------------------------
# API key 校验
# --------------------------------------------------
if [[ -z "$API_KEY" ]]; then
echo "ERROR: 请设置 EVAL_API_KEY 环境变量或传入 --api-key"
exit 1
fi
export EVALSCOPE_API_KEY="$API_KEY"
export OPENAI_API_KEY="$API_KEY"
HEALTH=$(curl -s -o /dev/null -w "%{http_code}" \
-H "Authorization: Bearer ${API_KEY}" \
"${API_URL}/models")
if [[ "$HEALTH" != "200" ]]; then
echo "ERROR: API key 校验失败，${API_URL}/models 返回 HTTP $HEALTH"
exit 1
fi
echo "API key 校验通过 (${API_URL})"
# --------------------------------------------------
# 组装 run.py 参数
# --------------------------------------------------
ARGS=(
--model "$MODEL"
--api-url "$API_URL"
--dataset-dir "$ROOT_DIR"
--output-dir "$ROOT_DIR/output"
--folder-name "$FOLDER_NAME"
--config "$CONFIG"
--batch-size "$BATCH_SIZE"
--seed "$SEED"
--limit "$LIMIT"
--datasets "$DATASETS"
)
if [[ "$THINKING" == "true" ]]; then
ARGS+=(--thinking)
fi
echo "============================================================"
echo "API 评测启动"
echo "Mode: $MODE"
echo "Model: $MODEL"
echo "API URL: $API_URL"
echo "Datasets: $DATASETS"
echo "Folder: $FOLDER_NAME"
echo "Config: $CONFIG"
echo "Batch size: $BATCH_SIZE"
echo "Limit: $LIMIT"
echo "Thinking: $THINKING"
echo "============================================================"
python bash/run.py "${ARGS[@]}"

161
bash/case/README_API_TEST.md Normal file
View File

@ -0,0 +1,161 @@
# EvalScope API 测试指南
本目录提供一键运行 API 模型评测的脚本。
## 1. 准备 API key
为了不把 key 写进代码，推荐用环境变量：
```bash
export EVAL_API_KEY="sk-xxxx"
```
如果使用智谱 / Vectron / 自定义 OpenAI-compatible 服务，按需改 `EVAL_API_URL`：
```bash
export EVAL_API_URL="https://api.vectron.meta-stone.com/v1"
export EVAL_MODEL="DeepSeek/DeepSeek-V4-Flash"
```
## 2. 快速开始
### 2.1 测指定 datasets（最常用）
```bash
cd /data1/sora/evalscope
export EVAL_API_KEY="sk-xxxx"
export EVAL_DATASETS="gsm8k,aime24,arc"
bash bash/case/GLM52_API_TEST1.sh
```
想换 benchmark，改 `EVAL_DATASETS` 即可。常用数据集：
```text
gsm8k, aime24, aime25, aime26, hmmt26, imo_answerbench, competition_math
bbh, drop
bigcodebench, humaneval, live_code_bench
gpqa_diamond, mmlu_pro, simple_qa, mmlu, cmmlu, arc, hellaswag, trivia_qa, winogrande
longbench_v2, openai_mrcr
tau2_bench, general_fc, bfcl_v3
```
### 2.2 使用内置模式
```bash
bash bash/case/GLM52_API_TEST1.sh --mode quick # 快速冒烟：gsm8k,aime24,arc limit=20
bash bash/case/GLM52_API_TEST1.sh --mode lite # lite 套件
bash bash/case/GLM52_API_TEST1.sh --mode mid # 中等套件
bash bash/case/GLM52_API_TEST1.sh --mode full # 全量（不含 tau2_bench，因为耗时）
bash bash/case/GLM52_API_TEST1.sh --mode official # 与 DP4-Flash 官方发布对齐
```
### 2.3 测 GLM5.2
```bash
export EVAL_API_KEY="sk-xxxx"
export EVAL_API_URL="https://api.example.com/v1" # 替换为 GLM5.2 的实际 endpoint
export EVAL_MODEL="glm-5.2"
export EVAL_DATASETS="gsm8k,aime24,arc"
export EVAL_FOLDER_NAME="GLM52-API-Test"
bash bash/case/GLM52_API_TEST1.sh
```
## 3. 常用命令行参数
| 参数 | 说明 |
|---|---|
| `--api-key` | API key（也可用 `EVAL_API_KEY`） |
| `--api-url` | OpenAI-compatible API 地址 |
| `--model` | 模型名，如 `glm-5.2`、`DeepSeek/DeepSeek-V4-Flash` |
| `--datasets` | 逗号分隔的 benchmark 列表 |
| `--mode` | `quick / lite / mid / full / official / custom` |
| `--folder-name` | 输出目录名，默认 `API-Test` |
| `--config` | 评测配置 YAML，默认 `config/dpv4-int8_nothinking.yaml` |
| `--batch-size` | 并发数，默认 4 |
| `--limit` | 每个 benchmark 最多测多少条，`none` 表示全量 |
| `--thinking` | 启用 thinking 模式 |
| `--no-thinking` | 关闭 thinking 模式 |
## 4. 查看进度
评测日志在 `logs/` 目录，最新日志：
```bash
ls -t logs/live_code_bench_thinking_*.log | head -1
```
实时看进度：
```bash
tail -f $(ls -t logs/live_code_bench_thinking_*.log | head -1)
```
## 5. 结果与成本
### 5.1 结果位置
```text
output/<FOLDER_NAME>/<benchmark>/seed_42/reports/<benchmark>.json
```
### 5.2 计算成本
运行完成后，用成本脚本按 token 量算钱：
```bash
# GLM5.2：输入 8 元/M，输出 28 元/M，折扣 0.65
bash bash/case/calc_glm52_cost.sh
# 输出到 results/P800_benchmark_cost_GLM52.csv
```
如果是其他模型，直接调工具：
```bash
python3 tools/calculate_cost.py \
--input "P800模型能力评测结果 - DS4-Flash-INT8-NO-Thinking-2.0-FULL.csv" \
--input-price 2 \
--output-price 8 \
--discount 1.0 \
--model-name MyModel \
--output results/cost_mymodel.csv
```
### 5.3 把成本写回 Excel
```bash
python3 tools/fill_excel_cost.py \
--input "/data1/sora/P800模型能力评测结果_统一格式_filled.xlsx" \
--output "/data1/sora/P800模型能力评测结果_统一格式_with_cost.xlsx" \
--input-price 8 \
--output-price 28 \
--discount 0.65 \
--model-name GLM-5.2
```
## 6. 常见问题
### 6.1 simple_qa 分数为 0
通常是 judge API 被限流（HTTP 429）。SimpleQA 需要调用外部 judge 模型打分。解决方案：
- 换成本地模型当 judge：
```bash
bash bash/case/GLM52_API_TEST1.sh \
--datasets simple_qa \
--judge-model /data1/models/DeepSeek-V4-Flash-INT8 \
--judge-api-url http://localhost:30000/v1 \
--judge-api-key EMPTY
```
- 或降低 `--batch-size` / `--parallel-runs` 减少 judge 并发。
### 6.2 评测非常慢
代码类 benchmark（`live_code_bench`、`bigcodebench`、`humaneval`）需要实际执行生成的代码并跑测试用例，耗时比纯文本生成高很多。可以先 `--limit 10` 测小样本。
### 6.3 只想重跑失败/漏掉的 benchmark
直接指定 datasets 即可，EvalScope 会自动跳过已完成的（通过 `use_cache` 恢复）。