benchllm - 简化大语言模型和AI应用的连续集成与测试

BenchLLM 项目介绍

项目概述

BenchLLM 是一个基于 Python 的开源库，专门用于简化大型语言模型（LLM）和人工智能驱动应用的测试。它通过使用 LLM 测试大量数据来验证模型、代理和链的响应准确性。BenchLLM 活跃于 V7 公司，并且已经开放源码为社区共享，采用 MIT 许可协议。

功能特色

测试各种提示的反馈：BenchLLM 让用户可以通过大语言模型来测试任意数量的提示，确保模型的回应符合预期。
持续集成：支持链（例如 Langchain）、代理（例如 AutoGPT）和 LLM 模型（例如 Llama 和 GPT-4）的持续集成。
提高代码可信度：消除不稳定的链，提升代码自信。
版本控制中的问题检测：在每个版本中检测不准确的响应和幻觉。

测试方法论

BenchLLM 使用一个独特的两步法进行机器学习模型的验证：

测试阶段：在此阶段，用户的代码将在不立即判断或比较的情况下对预期响应进行测试，并捕获模型生成的预测。
评估阶段：通过 LLM 进行预测值和预期输出的比较从而验证事实相似性，并生成包含通过/失败状态和其他指标的详细比较报告。

安装与使用

BenchLLM 可以通过 pip 安装：

pip install benchllm

用户需使用 @benchllm.test 装饰器标记需要测试的函数。然后，准备好你的测试，这些测试以 YAML/JSON 文件的形式组织。运行测试的命令为：

bench run

多种评估方法

BenchLLM 提供多种评估方法来检查预测是否符合预期值：

semantic：使用大语言模型进行语义相似性检查。
embedding：通过嵌入向量的余弦距离进行评估。
string-match：对字符串大小写不敏感匹配。
interactive：用户在终端手动接受或拒绝测试。
web：使用 pywebio 提供简单的本地网页界面。

缓存与并行化

为加速评估过程，BenchLLM 使用缓存机制保存评估输出，可以通过不同的缓存类型（如 memory、file 或 none）来选择合适的缓存方式。此外，支持多工作线程以平行运行评估。

API 与高级控制

BenchLLM 提供 API，使用户不必依赖 YML/JSON 测试即可对模型进行评估。用户可以通过创建 Test 对象、使用 Tester 对象生成预测，最后使用 Evaluator 对象评估模型。

from benchllm import StringMatchEvaluator, Test, Tester

tests = [
    Test(input="What's 1+1?", expected=["2", "It's 2"]),
    Test(input="First rule of fight club?", expected=["Do not talk about fight club"]),
]

tester = Tester(my_test_function)
tester.add_tests(tests)
predictions = tester.run()

evaluator = StringMatchEvaluator()
evaluator.load(predictions)
results = evaluator.run()

print(results)

贡献与支持

BenchLLM 兼容 Python 3.10，并建议在此环境下开发。开发步骤包括 fork 项目，为你的更改创建新的分支，完成后提交 PR。需要支持时，可以在 GitHub 页面上开 issue。

BenchLLM 提供了一个强大的框架来简化 LLM 应用的测试流程，帮助开发者更高效地评估和改进他们的模型。