Открытая платформа, где видно каждый вызов модели: трейсы, стоимость, оценки качества и версии промптов. Можно использовать в облаке или развернуть у себя.
Все репозитории
Evals и наблюдаемостьEleutherAI
lm-evaluation-harness
Стандартный набор для прогона моделей через сотни академических бенчмарков. На нём строятся многие открытые рейтинги моделей.
Кому подойдёт
Исследователям и тем, кто сравнивает или дообучает открытые модели.
Как начать
- Клонируй и установи:
git clone --depth 1 https://github.com/EleutherAI/lm-evaluation-harness, затемpip install -e .. - Добавь нужный бэкенд, например
pip install "lm_eval[hf]". - Запусти:
lm_eval --model hf --model_args pretrained=EleutherAI/gpt-j-6B --tasks hellaswag --device cuda:0 --batch_size 8.
Шаги взяты из README. Перед запуском сверься с актуальной версией в репозитории.
Звёзды за последние 30 дней
+2426 сент. — 4 окт.
Описание автора
A framework for few-shot evaluation of language models.
Ещё в категории «Evals и наблюдаемость»
Давняя платформа для ML, которая теперь умеет и LLM-приложения: трейсинг, оценка, реестр промптов и шлюз к моделям. Подключается к большинству фреймворков.
Командная утилита для тестов промптов и агентов: описываешь кейсы в конфиге и сравниваешь модели. Умеет и red teaming, поиск уязвимостей. Подключается к CI.
Платформа для отладки и оценки LLM-приложений: трейсы, автоматические проверки качества и дашборды. Поддерживает RAG и агентные цепочки, можно развернуть у себя.
Фреймворк OpenAI для оценки моделей и реестр готовых бенчмарков. Исторически важный проект: по нему видно, как устроены шаблоны оценок.
Фреймворк для тестирования LLM-приложений в стиле pytest: готовые метрики для RAG, агентов и чат-ботов, проверка по трейсам. Результаты можно выгружать в облако.