VLLM/sglang evalscope/lm_eval MMLU等精度 准确度评测

发布时间:2026/10/9 4:53:25
VLLM/sglang evalscope/lm_eval MMLU等精度 准确度评测 Ref欢迎来到 EvalScope 中文教程 | EvalScope支持的数据集 | EvalScopehttps://github.com/EleutherAI/lm-evaluation-harness如何使用lm-evaluation-harness零代码评估大模型【GPT】中文大语言模型梳理与测评C-Eval 、AGIEval、MMLU、SuperCLUE_superclue c-eval哪个更权威-CSDN博客Note: 本文主要针对评测本地部署的vllm/sglang部署。evalscope使用lmeval评测sglang本地部署依赖vllm导致有一些问题推荐使用evalscope。pip install evalscope --upgrade -i https://pypi.tuna.tsinghua.edu.cn/simple pip install evalscope[perf] -i https://pypi.tuna.tsinghua.edu.cn/simple评测sglang本地部署evalscope eval \ --model DeepSeek-V3.1-Terminus \ --api-url http://localhost:30000/v1 \ --api-key EMPTY \ --eval-type openai_api \ --datasets mmlu \ --dataset-args {mmlu: {subset_list: [high_school_physics, high_school_psychology], few_shot_num: 5}} \ --eval-batch-size 64只需要评测子任务的话加上--dataset-args。evalscope eval \ --model DeepSeek-V3.2 \ --api-url http://localhost:30000/v1 \ --api-key EMPTY \ --eval-type openai_api \ --datasets aime25 \ --dataset-hub huggingface \ --eval-batch-size 128 evalscope eval \ --model DeepSeek-V3.2 \ --api-url http://localhost:30000/v1 \ --api-key EMPTY \ --eval-type openai_api \ --datasets bbh \ --dataset-args {bbh: {subset_list: [boolean_expressions], few_shot_num: 3}} \ --eval-batch-size 64设置数据集本地路径--dataset-args {bbh: {local_path: /data1/dataset/bbh}} \generation-config--generation-config {do_sample:true,temperature:0.5,chat_template_kwargs:{enable_thinking:false}}# DeepSeek-V3.2 --generation-config {chat_template_kwargs:{thinking: true}}# subset_list: chinese, english evalscope eval \ --model DeepSeek-V3.2 \ --api-url http://xxx_ip:30000/v1 \ --api-key EMPTY \ --eval-type openai_api \ --datasets needle_haystack \ --dataset-args {needle_haystack: {subset_list: [chinese], local_path: /data1/dataset/Needle-in-a-Haystack-Corpus}} \ --judge-strategy auto \ --judge-worker-num 80 \ --judge-model-args {api_url: http://judge_model_ip:30000/v1, model_id: DeepSeek-V3.2} \ --eval-batch-size 80LongBench-v2LongBench-v2 | EvalScopeLongBench-v2各子集统计数据子集样本数提示词平均长度提示词最小长度提示词最大长度short180124200.4249433841252medium215501002.721721082233351long1082861217.9472082316184015evalscope eval \ --model GLM-5.3-Flash \ --api-url http://localhost:12121/v1 \ --api-key EMPTY \ --eval-type openai_api \ --generation-config timeout1800 \ --datasets longbench_v2 \ --dataset-args {longbench_v2: {subset_list: [short], local_path: /data1/datasets/llm_dataset/llm_accuracy_bench/LongBench-v2/}} \ --generation-config {max_tokens:24576} \ --eval-batch-size 20 \ --limit 100sglang自带评测gsm8kpython benchmark/gsm8k/bench_sglang.py --port 30000 --num-shots 5 --num-questions 500 python benchmark/gsm8k/bench_sglang.py --host http://127.0.0.1 --port 30000 --num-shots 5 --num-questions 500使用lm_evallm_eval安装# pip install lm-eval pip install lm-eval[api]源码安装git clone https://github.com/EleutherAI/lm-evaluation-harness cd lm-evaluation-harness pip install -e .查看支持的评测任务lm-eval --tasks listVLLM/SGLang serving API评测lm_eval \ --model local-completions \ --tasks mmlu \ --batch_size8 \ --model_args {model: Qwen/Qwen3-8B-FP8, base_url: http://localhost:8000/v1/completions, num_concurrent: 8}这个可以评测VLLM/SGLang启动的serving服务提供的api接口从而评测VLLM/sglang不同部署方案的效果。MMLU除了mmlu整体评测还可以分为4个子任务单独评测mmlu_stemmmlu_othermmlu_social_sciencesmmlu_humanities或者更精细的子任务评测。

关于本文作者

来自尧图内容编辑团队

尧图内容编辑团队 内容团队

尧图内容编辑团队

本文由尧图网络内容编辑团队执笔。团队由资深项目经理、前端工程师与设计师组成,所有内容均来自亲手交付的真实项目,先讲清问题、再给出可落地的解法。尧图深耕北京网站建设十年,服务过京华建材集团、智造科技等各行业客户,把一线经验沉淀为可复用的行业观察。

  • 十年建站经验,覆盖建材、制造、服务、文创等
  • 项目经理把关选题与事实准确性
  • 工程师与设计师联合撰写专业细节
  • 统一编辑规范,保证文风与排版一致
  • 每月复盘转化数据,迭代选题方向

延伸阅读

相关资讯与近期热门内容

深度阅读推荐

建站决策前值得细读的三篇

网站改版的5个关键决策
2024-08-12

网站改版的5个关键决策

什么时候该改版、改到什么程度、如何避免流量掉光,京华建材集团改版复盘给出答案。

获取专属建站方案

看完文章,把您的行业与预算告诉我们,免费获取一份量身定制的官网建设方案与报价。

立即免费咨询