评估 LLM 工具

lm-eval-harness：对 LLM 进行基准测试（MMLU、GSM8K 等）。

技能元数据

来源	内置（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 agent 在技能激活时看到的指令。

lm-evaluation-harness - LLM 基准测试

包含内容

在 60 多个学术基准（MMLU、HumanEval、GSM8K、TruthfulQA、HellaSwag）上评估 LLM。适用于对模型质量进行基准测试、比较模型、报告学术结果或跟踪训练进度。这是 EleutherAI、HuggingFace 及各大实验室使用的行业标准。支持 HuggingFace、vLLM、API。

快速开始

lm-evaluation-harness 使用标准化提示和指标，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。

复制此清单：

基准评估：
- [ ] 步骤 1：选择基准套件
- [ ] 步骤 2：配置模型
- [ ] 步骤 3：运行评估
- [ ] 步骤 4：分析结果

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
• GSM8K——小学数学应用题
• HellaSwag——常识推理
• TruthfulQA——真实性与事实性
• 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（基础 Python 问题集）——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  # 自动检测最佳批次大小

量化模型（4 位/8 位）：

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

结果保存在 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
  }
}

工作流程 2：追踪训练进度

在训练过程中评估检查点。

训练进度追踪：
- [ ] 步骤 1：设置周期性评估
- [ ] 步骤 2：选择快速基准
- [ ] 步骤 3：自动化评估
- [ ] 步骤 4：绘制学习曲线

步骤 1：设置周期性评估

每 N 个训练步骤评估一次：

#!/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

适合频繁评估的快速基准：

• HellaSwag：1 张 GPU 上约 10 分钟
• GSM8K：约 5 分钟
• PIQA：约 2 分钟

避免用于频繁评估（太慢）：

• MMLU：约 2 小时（57 个科目）
• HumanEval：需要执行代码

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}")

或者使用 PyTorch Lightning 回调函数：

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

用于模型对比的基准测试套件。

模型对比：
- [ ] 步骤 1：定义模型列表
- [ ] 步骤 2：运行评估
- [ ] 步骤 3：生成对比表格

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 "正在评估 $model"

    # 提取模型名称用于生成输出文件
    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：生成对比表格

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:
            # 获取每个任务的主要指标
            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))

输出结果：

| 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 进行评估（推理速度更快）

使用 vLLM 后端可使评估速度提升 5-10 倍。

vLLM 评估：
- [ ] 步骤 1：安装 vLLM
- [ ] 步骤 2：配置 vLLM 后端
- [ ] 步骤 3：运行评估

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：

# 标准 HF：在 7B 模型上评估 MMLU 约需 2 小时
lm_eval --model hf \
  --model_args pretrained=meta-llama/Llama-2-7b-hf \
  --tasks mmlu \
  --batch_size 8

# vLLM：在 7B 模型上评估 MMLU 约需 15-20 分钟
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

使用 lm-evaluation-harness 的场景：

• 为学术论文对模型进行基准测试
• 跨标准任务比较模型质量
• 跟踪训练进度
• 报告标准化指标（所有人都使用相同的提示词）
• 需要可复现的评估

改用替代方案的场景：

• HELM（斯坦福）：更广泛的评估（公平性、效率、校准）
• AlpacaEval：使用 LLM 裁判进行指令遵循评估
• MT-Bench：多轮对话评估
• 自定义脚本：领域特定评估

常见问题

问题：评估速度太慢

使用 vLLM 后端：

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

或者减少 fewshot 示例数量：

--num_fewshot 0  # 替代 5

或者只评估 MMLU 的子集：

--tasks mmlu_stem  # 仅 STEM 科目

问题：内存不足

减小批处理大小：

--batch_size 1  # 或 --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：结果与报告不一致

检查 fewshot 数量：

--num_fewshot 5  # 大多数论文使用 5-shot

检查确切的任务名称：

--tasks mmlu  # 不是 mmlu_direct 或 mmlu_fewshot

确认模型和分词器匹配：

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

问题：HumanEval 不执行代码

安装执行依赖：

pip install human-eval

启用代码执行：

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

高级主题

基准测试描述：参见 references/benchmark-guide.md 了解所有 60+ 个任务的详细描述、测量内容及解读。

自定义任务：参见 references/custom-tasks.md 了解如何创建领域特定的评估任务。

API 评估：参见 references/api-evaluation.md 了解如何评估 OpenAI、Anthropic 及其他 API 模型。

多 GPU 策略：参见 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（非常慢）
• 显存：
  • 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+ 个任务，包括 MMLU、GSM8K、HumanEval、TruthfulQA、HellaSwag、ARC、WinoGrande 等。
• 排行榜：https://huggingface.co/spaces/HuggingFaceH4/open_llm_leaderboard（使用本测试框架）