my-vault/01_Projects/Personal-Tech/LLM_Evaluation/04-Reference/02-Benchmark-and-Reproducibility.md

---
type: reference
tags:
  - llm-evaluation
  - benchmark
  - reproducibility
status: active
created: 2026-08-21
---

# 02 · Benchmark and Reproducibility

主题：标准化 Task、Prompt 固定、去污染、可复现比较

## S 级资源

### 1. EleutherAI lm-evaluation-harness
- 仓库：https://github.com/EleutherAI/lm-evaluation-harness
- 背景：学术界公认标准，Hugging Face Open LLM Leaderboard 长期后端之一
- 为什么看：理解传统 LLM Benchmark 工程最好的源码
- 真正值得学的：
  - Task 如何标准化
  - Dataset 如何映射
  - Prompt 如何固定
  - Metric 如何配置
  - Few-shot 如何实现
  - Benchmark Contamination 如何处理（N-gram 去污染）
- 重点理解：
  Benchmark ≠ Product Eval  
  但 Benchmark 工程教会你：如何让测试定义可重复、可比较、可版本化
- 适合阶段：完成 Foundations + Why Guide 后即可阅读

### 2. Ai2 OLMES / olmo-eval
- 背景：艾伦人工智能研究所（Ai2）专为 OLMo/Tülu 打造的严格可复现评测标准
- 为什么看：解决「为什么不同团队跑同一个 benchmark，分数会不一样」
- 核心价值：强制冻结 Evaluation Protocol
  - Prompt format
  - Few-shot 样本
  - Generation 参数
  - Metric 实现
  - Chat template
- 与本仓库理念一致：
  Test Definition ≠ Test Execution
- 适合阶段：学完 lm-evaluation-harness 后

## 关键认知
Benchmark 工程的本质是把「测试定义」做成可版本化的资产。

> 🔗 本页资源的完整链接、来源背景与上手建议见 [[01_Projects/Personal-Tech/LLM_Evaluation/04-Reference/archive/01-Curated-External-Resources|archive/01-Curated-External-Resources]]（"国家级与顶级学术机构"一节）。