评估 LLMs Harness

在 60 多个学术基准（MMLU、HumanEval、GSM8K、TruthfulQA、HellaSwag）上评估大型语言模型 (LLM)。适用于基准测试模型质量、比较模型、报告学术结果或跟踪训练进度。这是 EleutherAI、HuggingFace 和主要实验室使用的行业标准。支持 HuggingFace、vLLM 和 API。

技能元数据


来源	捆绑（默认安装）
路径	`skills/mlops/evaluation/lm-evaluation-harness`
版本	`1.0.0`
作者	Orchestra Research
许可证	MIT
依赖项	`lm-eval`, `transformers`, `vllm`
标签	`Evaluation`, `LM Evaluation Harness`, `Benchmarking`, `MMLU`, `HumanEval`, `GSM8K`, `EleutherAI`, `Model Quality`, `Academic Benchmarks`, `Industry Standard`

参考：完整 SKILL.md

信息

以下是 Hermes 在触发此技能时加载的完整技能定义。这是技能激活时代理看到的指令。

lm-evaluation-harness - LLM 基准测试

快速开始

lm-evaluation-harness 使用标准化的提示和指标，在 60 多个学术基准上评估 LLM。

安装：

pip install lm-eval

评估任意 HuggingFace 模型：

lm_eval --model hf \
  --model_args pretrained=meta-llama/Llama-2-7b-hf \
  --tasks mmlu,gsm8k,hellaswag \
  --device cuda:0 \
  --batch_size 8

查看可用任务：

lm_eval --tasks list

常见工作流

工作流 1：标准基准评估

在核心基准（MMLU、GSM8K、HumanEval）上评估模型。

复制此检查清单：

Benchmark Evaluation:
- [ ] Step 1: Choose benchmark suite
- [ ] Step 2: Configure model
- [ ] Step 3: Run evaluation
- [ ] Step 4: Analyze results

步骤 1：选择基准套件

核心推理基准：

MMLU（大规模多任务语言理解）- 57 个学科，多项选择题
GSM8K - 小学数学应用题
HellaSwag - 常识推理
TruthfulQA - 真实性和事实性
ARC（AI2 推理挑战）- 科学问题

代码基准：

HumanEval - Python 代码生成（164 个问题）
MBPP（大多数基础 Python 问题）- Python 编程

标准套件（推荐用于模型发布）：

--tasks mmlu,gsm8k,hellaswag,truthfulqa,arc_challenge

步骤 2：配置模型

HuggingFace 模型：

lm_eval --model hf \
  --model_args pretrained=meta-llama/Llama-2-7b-hf,dtype=bfloat16 \
  --tasks mmlu \
  --device cuda:0 \
  --batch_size auto  # Auto-detect optimal batch size

量化模型（4-bit/8-bit）：

lm_eval --model hf \
  --model_args pretrained=meta-llama/Llama-2-7b-hf,load_in_4bit=True \
  --tasks mmlu \
  --device cuda:0

自定义检查点：

lm_eval --model hf \
  --model_args pretrained=/path/to/my-model,tokenizer=/path/to/tokenizer \
  --tasks mmlu \
  --device cuda:0

步骤 3：运行评估

# Full MMLU evaluation (57 subjects)
lm_eval --model hf \
  --model_args pretrained=meta-llama/Llama-2-7b-hf \
  --tasks mmlu \
  --num_fewshot 5 \  # 5-shot evaluation (standard)
  --batch_size 8 \
  --output_path results/ \
  --log_samples  # Save individual predictions

# Multiple benchmarks at once
lm_eval --model hf \
  --model_args pretrained=meta-llama/Llama-2-7b-hf \
  --tasks mmlu,gsm8k,hellaswag,truthfulqa,arc_challenge \
  --num_fewshot 5 \
  --batch_size 8 \
  --output_path results/llama2-7b-eval.json

步骤 4：分析结果

结果保存至 results/llama2-7b-eval.json：

{
  "results": {
    "mmlu": {
      "acc": 0.459,
      "acc_stderr": 0.004
    },
    "gsm8k": {
      "exact_match": 0.142,
      "exact_match_stderr": 0.006
    },
    "hellaswag": {
      "acc_norm": 0.765,
      "acc_norm_stderr": 0.004
    }
  },
  "config": {
    "model": "hf",
    "model_args": "pretrained=meta-llama/Llama-2-7b-hf",
    "num_fewshot": 5
  }
}

工作流 2：跟踪训练进度

在训练期间评估检查点。

Training Progress Tracking:
- [ ] Step 1: Set up periodic evaluation
- [ ] Step 2: Choose quick benchmarks
- [ ] Step 3: Automate evaluation
- [ ] Step 4: Plot learning curves

步骤 1：设置定期评估

每 N 个训练步骤进行评估：

#!/bin/bash
# eval_checkpoint.sh

CHECKPOINT_DIR=$1
STEP=$2

lm_eval --model hf \
  --model_args pretrained=$CHECKPOINT_DIR/checkpoint-$STEP \
  --tasks gsm8k,hellaswag \
  --num_fewshot 0 \  # 0-shot for speed
  --batch_size 16 \
  --output_path results/step-$STEP.json

步骤 2：选择快速基准

用于频繁评估的快速基准：

HellaSwag：在 1 个 GPU 上约需 10 分钟
GSM8K：约需 5 分钟
PIQA：约需 2 分钟

避免用于频繁评估（太慢）：

MMLU：约需 2 小时（57 个学科）
HumanEval：需要代码执行

步骤 3：自动化评估

与训练脚本集成：

# In training loop
if step % eval_interval == 0:
    model.save_pretrained(f"checkpoints/step-{step}")

    # Run evaluation
    os.system(f"./eval_checkpoint.sh checkpoints step-{step}")

或使用 PyTorch Lightning 回调：

from pytorch_lightning import Callback

class EvalHarnessCallback(Callback):
    def on_validation_epoch_end(self, trainer, pl_module):
        step = trainer.global_step
        checkpoint_path = f"checkpoints/step-{step}"

        # Save checkpoint
        trainer.save_checkpoint(checkpoint_path)

        # Run lm-eval
        os.system(f"lm_eval --model hf --model_args pretrained={checkpoint_path} ...")

步骤 4：绘制学习曲线

import json
import matplotlib.pyplot as plt

# Load all results
steps = []
mmlu_scores = []

for file in sorted(glob.glob("results/step-*.json")):
    with open(file) as f:
        data = json.load(f)
        step = int(file.split("-")[1].split(".")[0])
        steps.append(step)
        mmlu_scores.append(data["results"]["mmlu"]["acc"])

# Plot
plt.plot(steps, mmlu_scores)
plt.xlabel("Training Step")
plt.ylabel("MMLU Accuracy")
plt.title("Training Progress")
plt.savefig("training_curve.png")

工作流 3：比较多个模型

用于模型比较的基准套件。

Model Comparison:
- [ ] Step 1: Define model list
- [ ] Step 2: Run evaluations
- [ ] Step 3: Generate comparison table

步骤 1：定义模型列表

# models.txt
meta-llama/Llama-2-7b-hf
meta-llama/Llama-2-13b-hf
mistralai/Mistral-7B-v0.1
microsoft/phi-2

步骤 2：运行评估

#!/bin/bash
# eval_all_models.sh

TASKS="mmlu,gsm8k,hellaswag,truthfulqa"

while read model; do
    echo "Evaluating $model"

    # Extract model name for output file
    model_name=$(echo $model | sed 's/\//-/g')

    lm_eval --model hf \
      --model_args pretrained=$model,dtype=bfloat16 \
      --tasks $TASKS \
      --num_fewshot 5 \
      --batch_size auto \
      --output_path results/$model_name.json

done < models.txt

步骤 3：生成比较表

import json
import pandas as pd

models = [
    "meta-llama-Llama-2-7b-hf",
    "meta-llama-Llama-2-13b-hf",
    "mistralai-Mistral-7B-v0.1",
    "microsoft-phi-2"
]

tasks = ["mmlu", "gsm8k", "hellaswag", "truthfulqa"]

results = []
for model in models:
    with open(f"results/{model}.json") as f:
        data = json.load(f)
        row = {"Model": model.replace("-", "/")}
        for task in tasks:
            # Get primary metric for each task
            metrics = data["results"][task]
            if "acc" in metrics:
                row[task.upper()] = f"{metrics['acc']:.3f}"
            elif "exact_match" in metrics:
                row[task.upper()] = f"{metrics['exact_match']:.3f}"
        results.append(row)

df = pd.DataFrame(results)
print(df.to_markdown(index=False))

输出：

| Model                  | MMLU  | GSM8K | HELLASWAG | TRUTHFULQA |
|------------------------|-------|-------|-----------|------------|
| meta-llama/Llama-2-7b  | 0.459 | 0.142 | 0.765     | 0.391      |
| meta-llama/Llama-2-13b | 0.549 | 0.287 | 0.801     | 0.430      |
| mistralai/Mistral-7B   | 0.626 | 0.395 | 0.812     | 0.428      |
| microsoft/phi-2        | 0.560 | 0.613 | 0.682     | 0.447      |

工作流 4：使用 vLLM 评估（更快的推理）

使用 vLLM 后端进行速度快 5-10 倍的评估。

vLLM Evaluation:
- [ ] Step 1: Install vLLM
- [ ] Step 2: Configure vLLM backend
- [ ] Step 3: Run evaluation

步骤 1：安装 vLLM

pip install vllm

步骤 2：配置 vLLM 后端

lm_eval --model vllm \
  --model_args pretrained=meta-llama/Llama-2-7b-hf,tensor_parallel_size=1,dtype=auto,gpu_memory_utilization=0.8 \
  --tasks mmlu \
  --batch_size auto

步骤 3：运行评估

vLLM 比标准 HuggingFace 快 5-10 倍：

# Standard HF: ~2 hours for MMLU on 7B model
lm_eval --model hf \
  --model_args pretrained=meta-llama/Llama-2-7b-hf \
  --tasks mmlu \
  --batch_size 8

# vLLM: ~15-20 minutes for MMLU on 7B model
lm_eval --model vllm \
  --model_args pretrained=meta-llama/Llama-2-7b-hf,tensor_parallel_size=2 \
  --tasks mmlu \
  --batch_size auto

何时使用 vs 替代方案

在以下情况使用 lm-evaluation-harness：

为学术论文基准测试模型
在标准任务间比较模型质量
跟踪训练进度
报告标准化指标（每个人都使用相同的提示）
需要可复现的评估

改用替代方案：

HELM（斯坦福）：更广泛的评估（公平性、效率、校准）
AlpacaEval：带有 LLM 评委的指令遵循评估
MT-Bench：对话式多轮评估
自定义脚本：特定领域的评估

常见问题

问题：评估太慢

使用 vLLM 后端：

lm_eval --model vllm \
  --model_args pretrained=model-name,tensor_parallel_size=2

或减少 few-shot 示例数量：

--num_fewshot 0  # Instead of 5

或评估 MMLU 的子集：

--tasks mmlu_stem  # Only STEM subjects

问题：内存不足

减小批量大小：

--batch_size 1  # Or --batch_size auto

使用量化：

--model_args pretrained=model-name,load_in_8bit=True

启用 CPU 卸载：

--model_args pretrained=model-name,device_map=auto,offload_folder=offload

问题：结果与报告不符

检查 few-shot 数量：

--num_fewshot 5  # Most papers use 5-shot

检查确切的任务名称：

--tasks mmlu  # Not mmlu_direct or mmlu_fewshot

验证模型和分词器是否匹配：

--model_args pretrained=model-name,tokenizer=same-model-name

问题：HumanEval 未执行代码

安装执行依赖项：

pip install human-eval

启用代码执行：

lm_eval --model hf \
  --model_args pretrained=model-name \
  --tasks humaneval \
  --allow_code_execution  # Required for HumanEval

高级主题

基准测试描述：请参阅 references/benchmark-guide.md，获取所有 60 多个任务的详细描述、它们的测量指标以及结果解读。

自定义任务：请参阅 references/custom-tasks.md，了解如何创建特定领域的评估任务。

API 评估：请参阅 references/api-evaluation.md，了解如何评估 OpenAI、Anthropic 和其他 API 模型。

多 GPU 策略：请参阅 references/distributed-eval.md，了解数据并行和张量并行评估。

硬件要求

GPU：NVIDIA（CUDA 11.8+），可在 CPU 上运行（速度非常慢）
显存 (VRAM)：
- 7B 模型：16GB (bf16) 或 8GB (8-bit)
- 13B 模型：28GB (bf16) 或 14GB (8-bit)
- 70B 模型：需要多 GPU 或量化
时间（7B 模型，单张 A100）：
- HellaSwag：10 分钟
- GSM8K：5 分钟
- MMLU（完整）：2 小时
- HumanEval：20 分钟

资源

GitHub: https://github.com/EleutherAI/lm-evaluation-harness
文档: https://github.com/EleutherAI/lm-evaluation-harness/tree/main/docs
任务库：60 多个任务，包括 MMLU、GSM8K、HumanEval、TruthfulQA、HellaSwag、ARC、WinoGrande 等。
排行榜: https://huggingface.co/spaces/HuggingFaceH4/open_llm_leaderboard（使用此评估框架）

技能元数据​

参考：完整 SKILL.md​

lm-evaluation-harness - LLM 基准测试

快速开始​

常见工作流​

工作流 1：标准基准评估​

工作流 2：跟踪训练进度​

工作流 3：比较多个模型​

工作流 4：使用 vLLM 评估（更快的推理）​

何时使用 vs 替代方案​

常见问题​

高级主题​

硬件要求​

资源​