evalstone/bash/case/README_API_TEST.md

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：

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：

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）

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：

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/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

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

2.4 控制 thinking budget

如果模型 API 支持 thinking.budget_tokens，可以传入 --thinking-budget-tokens：

# 尝试用 budget_tokens=0 关闭 thinking
bash bash/case/GLM52_API_TEST1.sh \
    --thinking \
    --thinking-budget-tokens 0 \
    --datasets aime24 \
    --folder-name no-thinking-test

等价于在请求体里加入：

"extra_body": {
  "thinking": {"type": "enabled", "budget_tokens": 0}
}

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
--thinking-budget-tokens	控制 thinking budget，例如 0 尝试关闭 thinking

4. 查看进度

评测日志在 logs/ 目录，最新日志：

ls -t logs/live_code_bench_thinking_*.log | head -1

实时看进度：

tail -f $(ls -t logs/live_code_bench_thinking_*.log | head -1)

5. 结果与成本

5.1 结果位置

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：

# 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：

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

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. 价格预测 → 选 dataset → 跑测试

推荐按下面三步走：先人工算好价格、选定 benchmark，再执行测试。

步骤 1：价格预测（人工决策）

tools/predict_costs.py 根据 bash/case/model_pricing.yaml 里的模型单价和折扣，对每个 benchmark 生成所有模型的成本矩阵。

# 生成全部模型 / 全部 benchmark 的成本矩阵
python3 tools/predict_costs.py

# 指定预算上限，输出预算内可测的 benchmark
python3 tools/predict_costs.py --budget 100

输出文件：

• results/P800_benchmark_cost_all_models.csv/.xlsx：完整成本矩阵
• results/P800_benchmark_cost_all_models_budget_100.csv/.xlsx：预算内可测列表

终端会打印各模型跑完全部 benchmark 的总成本，例如：

=== 各模型总成本（元）===
  GLM-5.2: 2014.44
  GLM-5.1-lt32k: 1546.39
  GLM-5-lt32k: 1054.64
  Kimi-K2.5: 1174.06
  MiniMax-M2.7: 707.77
  DeepSeek-V3.2: 793.02
  DeepSeek-V4-Pro: 1476.61
  DeepSeek-V4-Flash: 360.03

注意：model_pricing.yaml 里的价格为公开参考价或占位价，实际测试前请按合同价修改。

步骤 2：按预算选 datasets（人工决策）

打开生成的预算筛选表，根据总预算和想覆盖的能力维度勾选 benchmark。例如预算 100 元时：

预算 100.00 元内可测的 benchmark
  DeepSeek-V4-Flash: 27 个 -> bigcodebench, humaneval, live_code_bench, aime24, ...
  GLM-5.2: 22 个 -> bigcodebench, humaneval, live_code_bench, aime24, ...

把选好的 benchmark 列表写到 EVAL_DATASETS：

export EVAL_DATASETS="gpqa_diamond,winogrande,general_fc"

步骤 3：跑测试

设置 API key、模型、输出目录后启动：

export EVAL_API_KEY="sk-xxxx"
export EVAL_API_URL="https://api.example.com/v1"
export EVAL_MODEL="glm-5.2"
export EVAL_DATASETS="gpqa_diamond,winogrande,general_fc"
export EVAL_FOLDER_NAME="GLM52-budget-100"

bash bash/case/GLM52_API_TEST1.sh

也可以用内置 mode 快速跑一套：

bash bash/case/GLM52_API_TEST1.sh --mode quick

6.1 与历史价格对比

飞书 wiki 里的历史价格需要手动导出为 CSV 并放到 data/historical_prices.csv，随后可写对比脚本。目前预测表已生成，可直接用于人工对比。

7. 常见问题

7.1 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/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。

7.2 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。

7.3 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）。