title: “Evaluating Llms Harness — lm-eval-harness: benchmark LLMs (MMLU, GSM8K, etc.)” sidebar_label: “Evaluating Llms Harness” description: “lm-eval-harness: benchmark LLMs (MMLU, GSM8K, etc.)”

{/* 本页面由 website/scripts/generate-skill-docs.py 根据技能对应的 SKILL.md 文件自动生成。请直接编辑源文件 SKILL.md，而非此页面。 */}

Llms Harness 评估工具

lm-eval-harness：用于对大语言模型进行基准测试（如 MMLU、GSM8K 等）。

技能元数据

参考：完整的 SKILL.md 文件

:::info 以下是当触发该技能时 Hermes 会加载的完整技能定义。当技能处于激活状态时，智能体看到的指令即为内容。

::

lm-evaluation-harness - 大语言模型基准测试工具

功能概述

该工具可使用标准化提示语和评估指标，对大语言模型在 60 多项学术基准测试中的表现进行评估（包括 MMLU、HumanEval、GSM8K、TruthfulQA、HellaSwag 等）。适用于模型质量评估、模型对比、学术成果汇报以及训练进度跟踪。目前已被 EleutherAI、HuggingFace 及多家顶尖实验室视为行业标准工具，同时支持 HuggingFace、vLLM 以及各类 API。

快速入门

lm-evaluation-harness 能够利用标准化提示语和评估指标，对大语言模型在 60 多项学术基准测试中的表现进行综合评估。

安装方式：

pip install lm-eval

评估任意 HuggingFace 模型：

lm_eval --model hf \
  --model_args pretrained=meta-llama/Llama-2-7b-hf \
  --tasks mmlu,gsm8k,hellaswag \
  --device cuda:0 \
  --batch_size 8

查看可用任务：

lm-eval ls tasks

常见工作流程

工作流程 1：标准基准测试评估

在核心基准测试（MMLU、GSM8K、HumanEval）上对模型进行评估。

复制此检查清单：

Benchmark Evaluation:
- [ ] Step 1: Choose benchmark suite
- [ ] Step 2: Configure model
- [ ] Step 3: Run evaluation
- [ ] Step 4: Analyze results

步骤 1：选择基准测试套件

核心推理类基准测试：

• MMLU（大规模多任务语言理解）——包含57个题目，采用多项选择形式
• GSM8K——小学数学应用题
• HellaSwag——常识推理
• TruthfulQA——真实性与事实性判断
• ARC（AI2推理挑战）——科学相关问题

代码类基准测试：

• HumanEval——Python代码生成（共164道题目）
• MBPP（基础Python问题集）——Python编程能力测试

标准套件（推荐用于模型发布）：

--tasks mmlu,gsm8k,hellaswag,truthfulqa,arc_challenge

步骤 2：配置模型

HuggingFace 模型：

lm_eval --model hf \
  --model_args pretrained=meta-llama/Llama-2-7b-hf,dtype=bfloat16 \
  --tasks mmlu \
  --device cuda:0 \
  --batch_size auto  # Auto-detect optimal batch size

量化模型（4位/8位）：

lm_eval --model hf \
  --model_args pretrained=meta-llama/Llama-2-7b-hf,load_in_4bit=True \
  --tasks mmlu \
  --device cuda:0

自定义检查点：

lm_eval --model hf \
  --model_args pretrained=/path/to/my-model,tokenizer=/path/to/tokenizer \
  --tasks mmlu \
  --device cuda:0

步骤 3：运行评估

# Full MMLU evaluation (57 subjects)
lm_eval --model hf \
  --model_args pretrained=meta-llama/Llama-2-7b-hf \
  --tasks mmlu \
  --num_fewshot 5 \  # 5-shot evaluation (standard)
  --batch_size 8 \
  --output_path results/ \
  --log_samples  # Save individual predictions

# Multiple benchmarks at once
lm_eval --model hf \
  --model_args pretrained=meta-llama/Llama-2-7b-hf \
  --tasks mmlu,gsm8k,hellaswag,truthfulqa,arc_challenge \
  --num_fewshot 5 \
  --batch_size 8 \
  --output_path results/llama2-7b-eval.json

第4步：分析结果

结果已保存至 results/llama2-7b-eval.json 文件中：

{
  "results": {
    "mmlu": {
      "acc": 0.459,
      "acc_stderr": 0.004
    },
    "gsm8k": {
      "exact_match": 0.142,
      "exact_match_stderr": 0.006
    },
    "hellaswag": {
      "acc_norm": 0.765,
      "acc_norm_stderr": 0.004
    }
  },
  "config": {
    "model": "hf",
    "model_args": "pretrained=meta-llama/Llama-2-7b-hf",
    "num_fewshot": 5
  }
}

工作流 2：跟踪训练进度

在训练过程中对检查点进行评估。

Training Progress Tracking:
- [ ] Step 1: Set up periodic evaluation
- [ ] Step 2: Choose quick benchmarks
- [ ] Step 3: Automate evaluation
- [ ] Step 4: Plot learning curves

步骤 1：设置定期评估机制

每隔 N 次训练步骤进行一次评估：

#!/bin/bash
# eval_checkpoint.sh

CHECKPOINT_DIR=$1
STEP=$2

lm_eval --model hf \
  --model_args pretrained=$CHECKPOINT_DIR/checkpoint-$STEP \
  --tasks gsm8k,hellaswag \
  --num_fewshot 0 \  # 0-shot for speed
  --batch_size 16 \
  --output_path results/step-$STEP.json

步骤 2：选择快速基准测试

适用于频繁评估的快速基准测试：

• HellaSwag：在 1 块 GPU 上运行约 10 分钟
• GSM8K：约 5 分钟
• PIQA：约 2 分钟

不推荐用于频繁评估（速度过慢）：

• MMLU：约 2 小时（包含 57 个问题）
• HumanEval：需要执行代码

步骤 3：实现自动评估

与训练脚本集成：

# In training loop
if step % eval_interval == 0:
    model.save_pretrained(f"checkpoints/step-{step}")

    # Run evaluation
    os.system(f"./eval_checkpoint.sh checkpoints step-{step}")

或者可以使用 PyTorch Lightning 回调函数：

from pytorch_lightning import Callback

class EvalHarnessCallback(Callback):
    def on_validation_epoch_end(self, trainer, pl_module):
        step = trainer.global_step
        checkpoint_path = f"checkpoints/step-{step}"

        # Save checkpoint
        trainer.save_checkpoint(checkpoint_path)

        # Run lm-eval
        os.system(f"lm_eval --model hf --model_args pretrained={checkpoint_path} ...")

第4步：绘制学习曲线

import json
import matplotlib.pyplot as plt

# Load all results
steps = []
mmlu_scores = []

for file in sorted(glob.glob("results/step-*.json")):
    with open(file) as f:
        data = json.load(f)
        step = int(file.split("-")[1].split(".")[0])
        steps.append(step)
        mmlu_scores.append(data["results"]["mmlu"]["acc"])

# Plot
plt.plot(steps, mmlu_scores)
plt.xlabel("Training Step")
plt.ylabel("MMLU Accuracy")
plt.title("Training Progress")
plt.savefig("training_curve.png")

工作流 3：多模型对比

用于模型性能对比的基准测试套件。

Model Comparison:
- [ ] Step 1: Define model list
- [ ] Step 2: Run evaluations
- [ ] Step 3: Generate comparison table

步骤 1：定义模型列表

# models.txt
meta-llama/Llama-2-7b-hf
meta-llama/Llama-2-13b-hf
mistralai/Mistral-7B-v0.1
microsoft/phi-2

步骤 2：运行评估

#!/bin/bash
# eval_all_models.sh

TASKS="mmlu,gsm8k,hellaswag,truthfulqa"

while read model; do
    echo "Evaluating $model"

    # Extract model name for output file
    model_name=$(echo $model | sed 's/\//-/g')

    lm_eval --model hf \
      --model_args pretrained=$model,dtype=bfloat16 \
      --tasks $TASKS \
      --num_fewshot 5 \
      --batch_size auto \
      --output_path results/$model_name.json

done < models.txt

第3步：生成对比表格

import json
import pandas as pd

models = [
    "meta-llama-Llama-2-7b-hf",
    "meta-llama-Llama-2-13b-hf",
    "mistralai-Mistral-7B-v0.1",
    "microsoft-phi-2"
]

tasks = ["mmlu", "gsm8k", "hellaswag", "truthfulqa"]

results = []
for model in models:
    with open(f"results/{model}.json") as f:
        data = json.load(f)
        row = {"Model": model.replace("-", "/")}
        for task in tasks:
            # Get primary metric for each task
            metrics = data["results"][task]
            if "acc" in metrics:
                row[task.upper()] = f"{metrics['acc']:.3f}"
            elif "exact_match" in metrics:
                row[task.upper()] = f"{metrics['exact_match']:.3f}"
        results.append(row)

df = pd.DataFrame(results)
print(df.to_markdown(index=False))

输出：

| Model                  | MMLU  | GSM8K | HELLASWAG | TRUTHFULQA |
|------------------------|-------|-------|-----------|------------|
| meta-llama/Llama-2-7b  | 0.459 | 0.142 | 0.765     | 0.391      |
| meta-llama/Llama-2-13b | 0.549 | 0.287 | 0.801     | 0.430      |
| mistralai/Mistral-7B   | 0.626 | 0.395 | 0.812     | 0.428      |
| microsoft/phi-2        | 0.560 | 0.613 | 0.682     | 0.447      |

工作流 4：使用 vLLM 进行评估（更快的推理速度）

通过采用 vLLM 后端，可实现快 5 到 10 倍的评估速度。

vLLM Evaluation:
- [ ] Step 1: Install vLLM
- [ ] Step 2: Configure vLLM backend
- [ ] Step 3: Run evaluation

步骤 1：安装 vLLM

pip install vllm

步骤 2：配置 vLLM 后端

lm_eval --model vllm \
  --model_args pretrained=meta-llama/Llama-2-7b-hf,tensor_parallel_size=1,dtype=auto,gpu_memory_utilization=0.8 \
  --tasks mmlu \
  --batch_size auto

第3步：运行评估

vLLM 的运行速度是传统 HuggingFace 方案的5到10倍：

# Standard HF: ~2 hours for MMLU on 7B model
lm_eval --model hf \
  --model_args pretrained=meta-llama/Llama-2-7b-hf \
  --tasks mmlu \
  --batch_size 8

# vLLM: ~15-20 minutes for MMLU on 7B model
lm_eval --model vllm \
  --model_args pretrained=meta-llama/Llama-2-7b-hf,tensor_parallel_size=2 \
  --tasks mmlu \
  --batch_size auto

何时使用 lm-evaluation-harness 及其替代方案

应在以下情况使用 lm-evaluation-harness：

• 为学术论文进行模型基准测试
• 在标准任务中比较模型性能
• 跟踪训练进度
• 报告标准化指标（所有人使用相同的提示词）
• 需要可复现的评估结果

可选择以下替代方案：

• HELM（斯坦福大学）：涵盖更广泛的评估维度（公平性、效率、校准性）
• AlpacaEval：借助大语言模型作为评判者进行指令遵循能力评估
• MT-Bench：对话式多轮交互评估
• 自定义脚本：针对特定领域的评估需求

常见问题

问题：评估速度过慢

建议使用 vLLM 后端：

lm_eval --model vllm \
  --model_args pretrained=model-name,tensor_parallel_size=2

或者减少少样本示例的数量：

--num_fewshot 0  # Instead of 5

或评估 MMLU 的子集：

--tasks mmlu_stem  # Only STEM subjects

问题：内存不足

请减小批次大小：

--batch_size 1  # Or --batch_size auto

使用量化功能：

--model_args pretrained=model-name,load_in_8bit=True

启用 CPU 卸载功能：

--model_args pretrained=model-name,device_map=auto,offload_folder=offload

问题：结果与报告不符

请检查少样本数量：

--num_fewshot 5  # Most papers use 5-shot

检查具体的任务名称：

--tasks mmlu  # Not mmlu_direct or mmlu_fewshot

验证模型与分词器是否匹配：

--model_args pretrained=model-name,tokenizer=same-model-name

问题：HumanEval无法执行代码

那些需要执行代码的任务（如HumanEval、MBPP等）都设有明确的确认机制——必须通过传递--confirm_run_unsafe_code参数才能运行它们。

lm_eval --model hf \
  --model_args pretrained=model-name \
  --tasks humaneval \
  --confirm_run_unsafe_code  # Required to run tasks that execute generated code

若未设置该标志，lm-eval将拒绝执行任务，而不会默默跳过代码执行。

高级主题

基准测试说明：如需了解60多种测试任务的详细内容、评估目标及结果解读，请参阅references/benchmark-guide.md。

自定义任务：如需创建特定领域的评估任务，请参考references/custom-tasks.md。

API模型评估：如需对OpenAI、Anthropic等基于API的模型进行评估，请参阅references/api-evaluation.md。

多GPU优化策略：如需了解数据并行与张量并行评估的相关方法，请查看references/distributed-eval.md。

硬件要求

• GPU：NVIDIA显卡（需支持CUDA 11.8及以上版本），CPU环境下也可运行但速度极慢。
• 显存：
  • 7B模型：16GB（bf16格式）或8GB（8位格式）
  • 13B模型：28GB（bf16格式）或14GB（8位格式）
  • 70B模型：需使用多GPU或采用量化技术。
• 时间消耗（以单块A100显卡运行7B模型为例）：
  • HellaSwag：10分钟
  • GSM8K：5分钟
  • MMLU（完整版）：2小时
  • HumanEval：20分钟

参考资料

• GitHub地址：https://github.com/EleutherAI/lm-evaluation-harness
• 文档页面：https://github.com/EleutherAI/lm-evaluation-harness/tree/main/docs
• 任务库：包含MMLU、GSM8K、HumanEval、TruthfulQA、HellaSwag、ARC、WinoGrande等60多种评估任务
• 排名榜：https://huggingface.co/spaces/HuggingFaceH4/open_llm_leaderboard（该工具基于此框架构建）