编程智能体与代码 · 工具介绍
LM Evaluation Harness
通过命令行和 YAML 配置组织语言模型评估，选择模型后端、任务与评分指标。
LM Evaluation Harness 能做什么
通过命令行和 YAML 配置组织语言模型评估，选择模型后端、任务与评分指标。
- 语言模型与智能体质量评估及回归检查
如何使用 LM Evaluation Harness
运行可重复的语言模型评估
准备输入
- 模型后端
- 任务配置
- 评估样本
操作步骤
- 选择模型后端与评估任务，检查任务配置和数据是否适用于当前模型。
- 通过评估命令运行选定任务，记录模型与推理参数。
- 查看分任务指标和失败日志，使用相同配置重跑需要比较的模型。
预期交付物
- 模型评估结果
记录测试参数并检查任务适用性，避免跨条件比较。
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LM Evaluation Harness
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。
