evaluating-llms-harness

lm-evaluation-harness - LLM ベンチマーク

内容

60 以上の学術ベンチマーク（MMLU、HumanEval、GSM8K、TruthfulQA、HellaSwag）で LLM を評価します。モデルの品質のベンチマーク、モデルの比較、学術的な結果の報告、トレーニングの進捗の追跡に使用します。EleutherAI、HuggingFace、大手研究機関が利用する業界標準です。HuggingFace、vLLM、API に対応しています。

クイックスタート

lm-evaluation-harness は、標準化されたプロンプトと指標を使用して、60 以上の学術ベンチマークで LLM を評価します。

インストール：

pip install lm-eval

任意の HuggingFace 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

利用可能なタスクを表示する：

lm-eval ls tasks

一般的なワークフロー

ワークフロー 1：標準ベンチマーク評価

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

このチェックリストをコピーします：

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

ステップ 1：ベンチマークスイートを選択する

主要な推論ベンチマーク：

• MMLU（大規模マルチタスク言語理解）- 57 の分野、多肢選択式
• GSM8K - 小学校レベルの文章題
• HellaSwag - 常識推論
• TruthfulQA - 真実性と事実性
• ARC（AI2 Reasoning Challenge）- 科学の問題

コードベンチマーク：

• HumanEval - Python コード生成（164 問）
• MBPP（主に基本的な Python の問題）- Python コーディング

標準スイート（モデルのリリースに推奨）：

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

ステップ 2：モデルを設定する

HuggingFace 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

量子化モデル（4-bit/8-bit）：

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

カスタムチェックポイント：

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：結果を分析する

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
  }
}

ワークフロー 2：トレーニングの進捗を追跡する

トレーニング中に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：定期評価を設定する

N トレーニングステップごとに評価します：

#!/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：高速なベンチマークを選択する

頻繁な評価に適した高速なベンチマーク：

• HellaSwag：1 GPU で約 10 分
• GSM8K：約 5 分
• PIQA：約 2 分

頻繁な評価には遅すぎるため、以下は避けてください：

• MMLU：約 2 時間（57 分野）
• HumanEval：コードの実行が必要

ステップ 3：評価を自動化する

トレーニングスクリプトに統合します：

# 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}")

または、PyTorch Lightning のコールバックを使用します：

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：学習曲線をプロットする

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")

ワークフロー 3：複数のモデルを比較する

モデル比較用のベンチマークスイートです。

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

ステップ 1：モデルのリストを定義する

# 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：比較表を生成する

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))

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      |

ワークフロー 4：vLLM で評価する（推論を高速化）

vLLM バックエンドを使用して、評価を 5～10 倍高速化します。

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

ステップ 1：vLLM をインストールする

pip install vllm

ステップ 2：vLLM バックエンドを設定する

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 倍高速です：

# 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

代替手段との使い分け

次の場合は lm-evaluation-harness を使用してください：

• 学術論文向けにモデルのベンチマークを行う
• 標準タスクでモデルの品質を比較する
• トレーニングの進捗を追跡する
• 標準化された指標を報告する（全員が同じプロンプトを使用）
• 再現可能な評価が必要

代わりに以下を使用してください：

• HELM（Stanford）：より広範な評価（公平性、効率性、キャリブレーション）
• AlpacaEval：LLM の判定者を用いた指示追従評価
• MT-Bench：複数ターンの会話評価
• カスタムスクリプト：ドメイン固有の評価

よくある問題

問題：評価が遅すぎる

vLLM バックエンドを使用します：

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

または、fewshot の例を減らします：

--num_fewshot 0  # Instead of 5

または、MMLU の一部のみを評価します：

--tasks mmlu_stem  # Only STEM subjects

問題：メモリ不足

バッチサイズを減らします：

--batch_size 1  # Or --batch_size auto

量子化を使用します：

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

CPU オフロードを有効にします：

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

問題：報告された結果と異なる

fewshot の数を確認します：

--num_fewshot 5  # Most papers use 5-shot

タスク名が正確か確認します：

--tasks mmlu  # Not mmlu_direct or mmlu_fewshot

モデルとトークナイザーが一致していることを確認します：

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

問題：HumanEval でコードが実行されない

コード実行タスク（HumanEval、MBPP など）は明示的な確認フラグで制限されています。実行するには --confirm_run_unsafe_code を指定する必要があります：

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

このフラグを指定しない場合、lm-eval はコード実行を黙ってスキップするのではなく、タスクの実行を拒否します。

高度なトピック

ベンチマークの説明：60 以上のすべてのタスクの詳細な説明、評価対象、および結果の解釈については、references/benchmark-guide.md を参照してください。

カスタムタスク：ドメイン固有の評価タスクの作成については、references/custom-tasks.md を参照してください。

API の評価：OpenAI、Anthropic などの API モデルの評価については、references/api-evaluation.md を参照してください。

マルチ GPU 戦略：データ並列およびテンソル並列による評価については、references/distributed-eval.md を参照してください。

ハードウェア要件

• GPU：NVIDIA（CUDA 11.8 以降）。CPU でも動作します（非常に遅くなります）
• VRAM：
  • 7B モデル：16GB（bf16）または 8GB（8-bit）
  • 13B モデル：28GB（bf16）または 14GB（8-bit）
  • 70B モデル：マルチ GPU または量子化が必要です
• 所要時間（7B モデル、単一の A100）：
  • HellaSwag：10 分
  • GSM8K：5 分
  • MMLU（全体）：2 時間
  • HumanEval：20 分

リソース

• GitHub：https://github.com/EleutherAI/lm-evaluation-harness
• ドキュメント：https://github.com/EleutherAI/lm-evaluation-harness/tree/main/docs
• タスクライブラリ：MMLU、GSM8K、HumanEval、TruthfulQA、HellaSwag、ARC、WinoGrande など、60 以上のタスク
• リーダーボード：https://huggingface.co/spaces/HuggingFaceH4/open_llm_leaderboard（このハーネスを使用）