91 lines
5.4 KiB
Markdown
91 lines
5.4 KiB
Markdown
---
|
||
aliases:
|
||
- 精选外部资源
|
||
- 硬核评测资源
|
||
type: reference
|
||
tags:
|
||
- llm-evaluation
|
||
- resources
|
||
- archive
|
||
status: active
|
||
created: 2026-08-21
|
||
---
|
||
|
||
# 精选外部评测资源（真材实料级）
|
||
|
||
> 目的：不是收藏大量 AI 资料，而是锁定顶级大厂、顶尖开源组织在生产环境中沉淀出的核心方案、底层评测基建与硬核课程源码。按需查阅，不按顺序通读。
|
||
|
||
## 1. 国家级与顶级学术机构的"硬核基建"
|
||
|
||
这些是真正用于测试前沿模型（Frontier Models）的底层系统，揭示了顶级团队如何解决代码沙箱、评测污染和环境依赖问题。
|
||
|
||
### AISI Engineering Playbook & Inspect AI Framework
|
||
|
||
- Playbook：<https://engineering-playbook.aisi.org.uk/>
|
||
- 框架：<https://github.com/UKGovernmentBEIS/inspect_ai>
|
||
- 来源：英国人工智能安全研究所（UK AISI）官方开源
|
||
- 含金量：国家级安全评测机构测试顶尖大模型使用的完整底座。Playbook 阐述高难度评测的 5 层架构（Evaluate, Isolate, Connect, Run, Scale），重点解决如何安全运行大模型生成的不受信代码（沙箱环境）以及大规模评测的工程化调度。
|
||
|
||
### lm-evaluation-harness
|
||
|
||
- <https://github.com/EleutherAI/lm-evaluation-harness>
|
||
- 来源：EleutherAI 维护的学术界公认标准评测工具
|
||
- 含金量：几乎所有开源模型在 Hugging Face 排行榜上的分数都是用它在跑。内置严苛的数据去污染（Decontamination）机制（防止模型训练时偷看评测集答案），是深入理解 MMLU、GSM8K 等学术 Benchmark 评测逻辑的必读源码。
|
||
|
||
### OLMES
|
||
|
||
- <https://github.com/allenai/olmes>
|
||
- 来源：艾伦人工智能研究所（Ai2），专为 OLMo/Tülu 模型打造的严格可复现评测标准
|
||
- 含金量：市面上很多评测换个 Prompt 分数就大变。该仓库提供一套极其标准化的 Prompt 模板、格式化和指标度量方案，实现"苹果与苹果对比（Apples-to-Apples）"。
|
||
|
||
## 2. 云厂商生产环境的官方一线实战（含源码）
|
||
|
||
### AWS Generative AI Evaluations Workshop
|
||
|
||
- <https://github.com/aws-samples/sample-gen-ai-evaluations-workshop>
|
||
- 来源：AWS 官方团队沉淀的大模型垂直场景评测工作坊
|
||
- 含金量：目前 GitHub 上针对垂直场景最全、最硬核的实战代码库之一，直接给出以下场景的真实评测代码：
|
||
- 多模态 RAG 评测（混合文本、视觉与音频检索）
|
||
- 工具调用（Tool Calling）的 5 种渐进式评测方法（无需真实执行工具）
|
||
- 自动化推理逻辑验证（利用 SMT 求解器检查输出是否违反合规规则）
|
||
- 多智能体记忆协同（Shared Context）评测
|
||
|
||
### Automated RAG with Ragas & CircleCI
|
||
|
||
- 博客：<https://circleci.com/blog/automated-rag-pipeline-evaluation-and-benchmarking-with-ragas/>
|
||
- 源码：<https://github.com/vibrantlabsai/ragas>
|
||
- 含金量：给出实际配置文件和 Python 脚本，展示如何利用 databricks-dolly-15k 抽样数据集，在代码提交（CI/CD）时自动触发大模型评测，计算 Faithfulness（忠实度）与 Context Recall（上下文召回率），不达标直接拒绝上线。
|
||
|
||
## 3. 名校/大牛的工业级可运行课程 Notebook
|
||
|
||
### Evaluating and Debugging Generative AI（DeepLearning.AI）
|
||
|
||
- <https://www.deeplearning.ai/courses/evaluating-debugging-generative-ai>
|
||
- 来源：吴恩达的 DeepLearning.AI 与 Weights & Biases 联合出品
|
||
- 含金量：通过 Jupyter Notebook 讲解如何把评测变成实验追踪（Experiment Tracking），追踪 Prompt 与 Response 的演变，捕获大模型在复杂多轮交互中的微小表现差异，并用 W&B 平台可视化评测结果。
|
||
|
||
### Evidently AI — LLM Evaluations 免费课程
|
||
|
||
- 相关讨论：<https://www.reddit.com/r/LangChain/comments/1k9z2kk/free_course_on_llm_evaluation/>
|
||
- 来源：著名开源评测与可观测性框架 Evidently 团队推出的实战微课程
|
||
- 含金量：包含 10 多个端到端代码教程，亮点在于对抗性测试（Adversarial Testing / 红队测试）与自定义 LLM 裁判（Custom LLM Judges）设计的 Notebook 示例，非常贴近生产环境防护要求。
|
||
|
||
## 4. 解决"环境即数据"的下一代框架
|
||
|
||
### BenchFlow
|
||
|
||
- <https://github.com/benchflow-ai/benchflow>
|
||
- 含金量：前沿的"环境实验室"评测工程框架。主张大模型与 Agent 的能力很多时候不取决于静态数据集，而取决于它在环境中的交互能力（"Environments are the new data"）。提供构建强化学习环境、评测和 Post-training 的运行时（Runtime）基础设施，附带 SkillsBench 与 ClawsBench 实际评测环境。
|
||
- 配套清单：<https://github.com/benchflow-ai/awesome-evals>
|
||
|
||
## 上手建议
|
||
|
||
1. 先 clone AWS 的 Evaluations Workshop 仓库，里面分门别类的工业级评估代码能让你少走几个月的弯路。
|
||
2. 如果你的精力在 Agent 安全与深度评测，clone Inspect AI 去研究他们的沙箱隔离评测思路。
|
||
|
||
## 与本专区的关系
|
||
|
||
- 与 [[evaluation-guidebook/00-Overview|HuggingFace Evaluation Guidebook 中文提炼]] 互补：guidebook 回答"具体怎么做、有哪些坑"（概念与方法），本页回答"去哪找真材实料的生产级方案与源码"（资源与基建）。
|
||
- 按需查阅：设计某个评测类型（如多模态 RAG、工具调用、Agent 安全）时回到对应小节。
|
||
|
||
返回 [[01_Projects/Personal-Tech/LLM_Evaluation/README|学习专区首页]]。 |