131 lines
4.7 KiB
Markdown
131 lines
4.7 KiB
Markdown
# HumanEvalPlus
|
||
|
||
|
||
## 概述
|
||
|
||
HumanEval Plus 是 OpenAI HumanEval 基准测试的一个严格扩展版本，旨在解决代码生成评估中较高的假阳性率问题。它在原始测试用例的基础上，增加了数万个自动生成的输入，以暴露边缘情况下的错误和功能缺陷。
|
||
|
||
## 任务描述
|
||
|
||
- **任务类型**：代码生成（Python）
|
||
- **输入**：包含描述预期行为 docstring 的函数签名
|
||
- **输出**：完整的 Python 函数实现
|
||
- **测试覆盖**：相比原始 HumanEval 大幅扩展
|
||
|
||
## 主要特性
|
||
|
||
- 包含原始 HumanEval 的 164 道题目，并配备增强版测试套件
|
||
- 每道题目额外增加数万个测试用例
|
||
- 基于大语言模型（LLM）和变异（mutation）技术生成测试输入
|
||
- 能够发现原始 HumanEval 所遗漏的边缘情况和 bug
|
||
- 提供更严格、更准确的正确性评估
|
||
|
||
## 评估说明
|
||
|
||
- 默认配置使用 **0-shot** 评估
|
||
- **安全警告**：默认情况下，代码将在本地环境中执行。我们强烈建议使用沙箱环境执行。详情请参阅 [沙箱文档](https://evalscope.readthedocs.io/zh-cn/latest/user_guides/sandbox.html)。
|
||
- 支持 `pass@k` 指标计算
|
||
- 默认超时时间为 300 秒，以适应庞大的测试套件
|
||
- 使用预装 numpy 的自定义 Docker 镜像
|
||
|
||
## 属性
|
||
|
||
| 属性 | 值 |
|
||
|----------|-------|
|
||
| **基准测试名称** | `humaneval_plus` |
|
||
| **数据集ID** | [evalscope/humanevalplus](https://modelscope.cn/datasets/evalscope/humanevalplus/summary) |
|
||
| **论文** | N/A |
|
||
| **标签** | `Coding` |
|
||
| **指标** | `acc` |
|
||
| **默认 Shots** | 0-shot |
|
||
| **评估分割** | `test` |
|
||
| **聚合方式** | `mean_and_pass_at_k` |
|
||
|
||
|
||
## 数据统计
|
||
|
||
| 指标 | 值 |
|
||
|--------|-------|
|
||
| 总样本数 | 164 |
|
||
| 提示词长度（平均） | 609.57 字符 |
|
||
| 提示词长度（最小/最大） | 274 / 1519 字符 |
|
||
|
||
## 样例示例
|
||
|
||
**子集**: `default`
|
||
|
||
```json
|
||
{
|
||
"input": [
|
||
{
|
||
"id": "dcff8346",
|
||
"content": "Read the following function signature and docstring, and fully implement the function described. Your response should only contain the code for this function.\nfrom typing import List\n\n\ndef has_close_elements(numbers: List[float], threshold: f ... [TRUNCATED] ... Check if in given list of numbers, are any two numbers closer to each other than\n given threshold.\n >>> has_close_elements([1.0, 2.0, 3.0], 0.5)\n False\n >>> has_close_elements([1.0, 2.8, 3.0, 4.0, 5.0, 2.0], 0.3)\n True\n \"\"\"\n"
|
||
}
|
||
],
|
||
"target": "\n\n sorted_numbers = sorted(numbers)\n for i in range(len(sorted_numbers) - 1):\n if sorted_numbers[i + 1] - sorted_numbers[i] < threshold:\n return True\n return False\n\n",
|
||
"id": 0,
|
||
"group_id": 0,
|
||
"metadata": {
|
||
"task_id": "HumanEval/0",
|
||
"entry_point": "has_close_elements",
|
||
"prompt": "from typing import List\n\n\ndef has_close_elements(numbers: List[float], threshold: float) -> bool:\n \"\"\" Check if in given list of numbers, are any two numbers closer to each other than\n given threshold.\n >>> has_close_elements([1.0, 2.0, 3.0], 0.5)\n False\n >>> has_close_elements([1.0, 2.8, 3.0, 4.0, 5.0, 2.0], 0.3)\n True\n \"\"\"\n",
|
||
"test": "\n\nimport numpy as np\n\ndef is_floats(x) -> bool:\n # check if it is float; List[float]; Tuple[float]\n if isinstance(x, float):\n return True\n if isinstance(x, (list, tuple)):\n return all(isinstance(i, float) for i in x)\n ... [TRUNCATED] ... True, True, True, True, True, True, True, True, True, False, True, True, True, True, True, True, True, True, True, True, False, True, True]\n for i, (inp, exp) in enumerate(zip(inputs, results)):\n assertion(candidate(*inp), exp, 0)\n"
|
||
}
|
||
}
|
||
```
|
||
|
||
*注：部分内容因展示需要已被截断。*
|
||
|
||
## 提示模板
|
||
|
||
**提示模板：**
|
||
```text
|
||
Read the following function signature and docstring, and fully implement the function described. Your response should only contain the code for this function.
|
||
{question}
|
||
```
|
||
|
||
## 沙箱配置
|
||
|
||
此基准测试需要沙箱环境来执行代码。
|
||
|
||
```json
|
||
{
|
||
"image": "python3.11-numpy",
|
||
"tools_config": {
|
||
"shell_executor": {},
|
||
"python_executor": {}
|
||
}
|
||
}
|
||
```
|
||
|
||
## 使用方法
|
||
|
||
### 使用 CLI
|
||
|
||
```bash
|
||
evalscope eval \
|
||
--model YOUR_MODEL \
|
||
--api-url OPENAI_API_COMPAT_URL \
|
||
--api-key EMPTY_TOKEN \
|
||
--datasets humaneval_plus \
|
||
--sandbox '{"enabled": true}' \
|
||
--limit 10 # 正式评估时请删除此行
|
||
```
|
||
|
||
### 使用 Python
|
||
|
||
```python
|
||
from evalscope import run_task
|
||
from evalscope.config import TaskConfig
|
||
|
||
task_cfg = TaskConfig(
|
||
model='YOUR_MODEL',
|
||
api_url='OPENAI_API_COMPAT_URL',
|
||
api_key='EMPTY_TOKEN',
|
||
datasets=['humaneval_plus'],
|
||
sandbox={'enabled': True},
|
||
limit=10, # 正式评估时请删除此行
|
||
)
|
||
|
||
run_task(task_cfg=task_cfg)
|
||
``` |