Evaluating Llms Harness

skill の情報
参考: SKILL.md 全文
何が入っているか
すぐ始める
よくある進め方
Workflow 1: 標準的なベンチマーク評価
Workflow 2: 学習の進み具合を追う
Workflow 3: 複数のモデルを比べる
Workflow 4: vLLM で評価する（推論が速くなります）
ほかの選択肢との使い分け
よくある問題
さらに進んだ話題
必要なハードウェア
関連情報

lm-eval-harness で LLM を評価します（MMLU、GSM8K など）。

skill の情報


提供元	追加 skill — `hermes skills install official/mlops/evaluating-llms-harness` で入れます
パス	`optional-skills/mlops/evaluation/evaluating-llms-harness`
バージョン	`1.0.1`
作者	Orchestra Research
ライセンス	MIT
依存関係	`lm-eval`, `transformers`, `vllm`
対応プラットフォーム	linux, macos
タグ	`Evaluation`, `LM Evaluation Harness`, `Benchmarking`, `MMLU`, `HumanEval`, `GSM8K`, `EleutherAI`, `Model Quality`, `Academic Benchmarks`, `Industry Standard`

参考: SKILL.md 全文

lm-evaluation-harness - LLM Benchmarking

何が入っているか

60 種類以上の学術ベンチマーク（MMLU、HumanEval、GSM8K、TruthfulQA、HellaSwag）で LLM を評価します。モデルの品質をはかるとき、モデル同士を比べるとき、論文向けの数値を出すとき、学習の進み具合を追うときに使ってください。EleutherAI や HuggingFace、主要な研究所が使っている業界標準です。HuggingFace、vLLM、API のいずれにも対応します。

すぐ始める

lm-evaluation-harness は、共通のプロンプトと指標を使って、60 種類以上の学術ベンチマークで LLM を評価します。

導入:

pip install lm-eval

HuggingFace のモデルを評価する:

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

使えるタスクを見る:

lm-eval ls tasks

よくある進め方

Workflow 1: 標準的なベンチマーク評価

主要なベンチマーク（MMLU、GSM8K、HumanEval）でモデルを評価します。

次のチェックリストをコピーして使ってください。

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

ステップ 1: ベンチマークの組み合わせを選ぶ

推論の中心的なベンチマーク:

MMLU（Massive Multitask Language Understanding）- 57 分野、選択式
GSM8K - 小学校レベルの文章題
HellaSwag - 常識的な推論
TruthfulQA - 正直さと事実性
ARC（AI2 Reasoning Challenge）- 理科の問題

コードのベンチマーク:

HumanEval - Python のコード生成（164 問）
MBPP（Mostly Basic Python Problems）- Python のコーディング

標準の組み合わせ（モデルを公開するときにおすすめ）:

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

ステップ 2: モデルを設定する

HuggingFace のモデル:

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

量子化したモデル（4 ビット / 8 ビット）:

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

自分のチェックポイント:

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

ステップ 3: 評価を実行する

# Full MMLU evaluation (57 subjects), standard 5-shot evaluation
lm_eval --model hf \
  --model_args pretrained=meta-llama/Llama-2-7b-hf \
  --tasks mmlu \
  --num_fewshot 5 \
  --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

ステップ 4: 結果を読み解く

結果は results/llama2-7b-eval.json に保存されます。

{
  "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
  }
}

Workflow 2: 学習の進み具合を追う

学習の途中でチェックポイントを評価します。

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

ステップ 1: 定期的な評価を組む

学習ステップ N ごとに評価します。

#!/usr/bin/env bash
# eval_checkpoint.sh

CHECKPOINT_DIR=$1
STEP=$2

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

ステップ 2: 短時間で終わるベンチマークを選ぶ

こまめに評価するのに向いた、速いベンチマークです。

HellaSwag: GPU 1 枚でおよそ 10 分
GSM8K: およそ 5 分
PIQA: およそ 2 分

こまめな評価には向きません（時間がかかりすぎます）。

MMLU: およそ 2 時間（57 分野）
HumanEval: コードの実行が必要です

ステップ 3: 評価を自動で回す

学習スクリプトに組み込みます。

# 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}")

PyTorch Lightning のコールバックを使う方法もあります。

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} ...")

ステップ 4: 学習曲線を描く


# 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")

Workflow 3: 複数のモデルを比べる

モデルを比べるためのベンチマーク一式です。

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

ステップ 1: 対象のモデルを並べる

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

ステップ 2: 評価を実行する

#!/usr/bin/env 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

ステップ 3: 比較表を作る


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))

出力:

| 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      |

Workflow 4: vLLM で評価する（推論が速くなります）

vLLM を推論の土台に使うと、評価が 5〜10 倍速くなります。

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

ステップ 1: vLLM を入れる

pip install vllm

ステップ 2: vLLM を使うように設定する

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

ステップ 3: 評価を実行する

vLLM は標準の HuggingFace より 5〜10 倍速く動きます。

# 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

ほかの選択肢との使い分け

lm-evaluation-harness を使う場面:

論文のためにモデルを評価するとき
標準的なタスクでモデルの品質を比べるとき
学習の進み具合を追うとき
誰もが同じプロンプトを使う、標準化された数値を出したいとき
何度でも同じ結果を再現できる評価が必要なとき

ほかを使ったほうがよい場面:

HELM（スタンフォード大学）: より幅広い評価（公平性、効率、較正）
AlpacaEval: LLM を審査役にした、指示への従い方の評価
MT-Bench: 複数ターンの会話の評価
自作のスクリプト: 特定の分野に絞った評価

よくある問題

問題: 評価が遅すぎる

vLLM を使ってください。

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

例示の数を減らす方法もあります。

--num_fewshot 0  # Instead of 5

MMLU の一部だけを評価することもできます。

--tasks mmlu_stem  # Only STEM subjects

問題: メモリが足りない

バッチサイズを下げてください。

--batch_size 1  # Or --batch_size auto

量子化を使ってください。

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

CPU への退避を有効にしてください。

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

問題: 公表されている数値と違う

例示の数を確かめてください。

--num_fewshot 5  # Most papers use 5-shot

タスク名が正確か確かめてください。

--tasks mmlu  # Not mmlu_direct or mmlu_fewshot

モデルとトークナイザーが対応しているか確かめてください。

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

問題: HumanEval がコードを実行しない

コードを実行するタスク（HumanEval、MBPP など）は、はっきりした確認のフラグで守られています。実行するには --confirm_run_unsafe_code を渡してください。

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

このフラグがないと、lm-eval はコードの実行を黙って飛ばすのではなく、そのタスクの実行そのものを断ります。

さらに進んだ話題

ベンチマークの説明: 60 種類以上のタスクそれぞれが何をはかるのか、結果をどう読むのかは、references/benchmark-guide.md にくわしく書いてあります。

独自のタスク: 分野に合わせた評価タスクの作り方は references/custom-tasks.md を見てください。

API のモデルの評価: OpenAI や Anthropic をはじめとする API のモデルを評価する方法は references/api-evaluation.md を見てください。

GPU を複数使う進め方: データ並列とテンソル並列の評価については references/distributed-eval.md を見てください。

必要なハードウェア

GPU: NVIDIA（CUDA 11.8 以上）。CPU でも動きますが、とても遅くなります
VRAM:
- 7B のモデル: 16GB（bf16）または 8GB（8 ビット）
- 13B のモデル: 28GB（bf16）または 14GB（8 ビット）
- 70B のモデル: GPU を複数使うか、量子化が必要です
所要時間（7B のモデル、A100 1 枚）:
- HellaSwag: 10 分
- GSM8K: 5 分
- MMLU（全体）: 2 時間
- HumanEval: 20 分