bench - LLM性能评估与工作流标准化工具

项目介绍：Bench

什么是Bench？

Bench是一款用于评估大语言模型（LLM）在实际生产环境中表现的工具。无论是比较不同的大语言模型、考量不同的提示词（prompts），还是测试生成参数如温度（temperature）和生成令牌（tokens）数，Bench都提供一个统一的平台来帮助用户评估LLM的性能。

Bench能帮你做什么？

如果您在使用大语言模型的过程中有以下需求，那么Bench将是您的理想选择：

标准化评估流程：Bench提供统一的界面，适用于各种任务和使用场景，帮助您标准化LLM的评估流程。
开源LLM测试：您可以利用Bench测试开源的LLM是否能够和顶级的闭源大语言模型API供应商在您的特定数据上表现相当。
转换排行榜结果：Bench可以将LLM排行榜和基准测试结果转换为适合您实际使用场景的评分。

如何参与Bench社区？

Bench社区欢迎任何对大语言模型评估感兴趣的人士加入。可通过Discord参与社区讨论。如果发现了Bug或者有新功能的建议，也可以通过Github提交问题。

软件包安装

要将Bench安装到您的Python环境中，可以选择以下方法：

推荐安装方法（已含本地服务结果展示的可选依赖）：
```
pip install 'arthur-bench[server]'
```
最小依赖安装方法：
```
pip install arthur-bench
```

详细的安装指南可访问安装指南。

使用Bench

想了解如何深入使用Bench，请参考我们提供的快速入门教程和测试套件创建指南。

以下是一个使用Bench创建测试套件并对候选输出进行评分的示例代码：

from arthur_bench.run.testsuite import TestSuite
suite = TestSuite(
    "bench_quickstart",
    "exact_match",
    input_text_list=["What year was FDR elected?", "What is the opposite of down?"],
    reference_output_list=["1932", "up"]
)
suite.run("quickstart_run", candidate_output_list=["1932", "up is the opposite of down"])

保存的测试套件可以在以后加载，以便在不重新准备参考数据的情况下检验测试性能：

existing_suite = TestSuite("bench_quickstart", "exact_match")
existing_suite.run("quickstart_new_run", candidate_output_list=["1936", "up"])

要在本地用户界面中查看这些运行结果，可以在命令行中运行bench（这需要安装bench的可选服务器依赖）：

bench

在Bench用户界面中查看样例结果大致如下图所示：

Examples UI

从源码运行Bench

要从源码启动Bench，请遵循以下步骤：

安装依赖：
```
pip install -e '.[server]'
```

构建前端：

cd arthur_bench/server/js
npm i
npm run build

启动服务器：
```
bench
```

由于使用pip -e安装，任何本地更改都会被捕捉到，但在更改之间需要重启服务器以使更改生效。