编程智能体与代码 · 工具介绍
Evaluate
Evaluate 提供模型评估、模型比较和数据集测量接口，可加载评估模块、计算指标，并利用指标说明查看输入类型与适用范围。
Evaluate 能做什么
Evaluate 提供模型评估、模型比较和数据集测量接口，可加载评估模块、计算指标，并利用指标说明查看输入类型与适用范围。
- 语言模型与智能体质量评估及回归检查
- AI项目数据制作与质量流程
如何使用 Evaluate
用选定指标比较预测与参考结果
准备输入
- 模型预测结果、对应参考结果及任务所需的指标名称。
- 已在独立 Python 环境安装的 Evaluate。
操作步骤
- 安装 Evaluate，列出可用评估模块并选择适合任务的指标。
- 通过 evaluate.load 加载模块，阅读指标卡确认输入格式、数值范围及限制。
- 向模块的 compute 传入相匹配的预测与参考数据，保存指标结果，并结合样本情况解释分数。
预期交付物
- 所选评估模块返回的指标结果。
不同指标的输入格式、数值范围和限制不同，不能直接把异类指标混为同一评分；对于较新的大语言模型评估方法，官方指向更新且维护更活跃的 LightEval。
开始前需要了解
账号权限、费用与可用功能请以官方入口的当前说明为准。重要结果应先检查，再用于实际工作。
从编程智能体与代码角度评估Evaluate
把编程智能体与代码需要的条件列清楚，再比较工具。阅读本页的产品用途、步骤与限制，再逐项确认下面的问题；这些是选型方法，不表示每款工具都具备同样能力。
能否读懂上下文
确认工具能够读取所需目录，且不会引入不必要的资料。
改动是否可审查
优先能展示差异、保留原文件和逐步验证的工作方式。
测试能否说明问题
测试应覆盖用户可见行为，不只证明代码能运行。
选择一个小样任务，先检查结果与交付格式，再决定是否用于更多资料。
