Nou Generator de prompt AI — scrie prompturi mai bune pentru ChatGPT, Claude și Gemini →
dexblog.ro
Acces rapid: Învață AI Învață Programare Specificații Dispozitive Comparații
LLMOPS Toate conceptele LLMOps

Comanda lm_eval în CLI: Rularea Benchmark-urilor Standardizate MMLU și GSM8k în LLMOps, Evaluare & Securitate AI

Testare CI/CD și Asigurarea Calității (DeepEval) lm-eval-harness 0.4+ Q&A AI / Distribuie cod

Standardul academic mondial pentru notarea abilităților de raționament, cunoștințe generale și matematică ale unui model.

Configurare & comandă 
lm_eval --model hf --model_args pretrained=meta-llama/Meta-Llama-3-8B --tasks mmlu,gsm8k --device cuda:0

Biblioteca Language Model Evaluation Harness (EleutherAI) este instrumentul oficial utilizat de Hugging Face Open LLM Leaderboard pentru clasificarea modelelor open-source.

Exemplu de benchmark complet

lm_eval --model vllm \
  --model_args pretrained=Qwen/Qwen2.5-7B-Instruct,dtype=bfloat16 \
  --tasks arc_challenge,hellaswag,truthfulqa \
  --batch_size auto \
  --output_path rezultate_benchmark.json

Oferă rezultate reproductibile și comparabile 1:1 cu rapoartele marilor laboratoare de cercetare AI.

Învață AI • Comunitate & Q&A

Întrebări & Exemple practice: Comanda lm_eval în CLI: Rularea Benchmark-urilor Standardizate MMLU și GSM8k

Ai o întrebare despre Comanda lm_eval în CLI: Rularea Benchmark-urilor Standardizate MMLU și GSM8k sau ai descoperit un truc, prompt sau fragment de cod util? Distribuie-l cu ceilalți membri ai comunității!

🤖

Fii primul care pune o întrebare sau distribuie un fragment de cod / prompt!

Nu au fost adăugate încă întrebări sau resurse pentru această pagină. Dacă ai testat un prompt sau ai un snippet util, adaugă-l mai jos pentru comunitate.

Comunitate AI Adaugă o întrebare sau distribuie un cod / prompt

Moderare & Siguranță:

Pentru a menține calitatea și securitatea informațiilor, fiecare întrebare sau fragment de cod/prompt este analizat (manual sau prin moderare asistată de AI) înainte de publicare.