4. 指令说明

LLM精度评测工具指令如下：

hmeval [OPTIONS]

指令参数说明如下：

--model：必选参数，指定自定义模型评测脚本（.py 文件）的路径。
--model-dir：必选参数，指定模型权重或模型编译后文件所在目录。
--dataset：必选参数，指定一个或多个评测数据集，用空格分隔，如 mmlu gsm8k。
--limit：可选参数，限制评测的样本数量（0 为全量测试）。
--model-args：可选参数，自定义配置参数。用于向模型脚本传递用户定义的扩展配置。支持以 KEY=VALUE 形式多次指定。

运行示例如下：

hmeval \
    --model ./hm_xh2_qwen3.py \
    --model-dir ./models/hmm_xh2_qwen3_8b_256_8k_b1_1chip_2cores_v${HOUMO_VERSION} \
    --dataset gsm8k \
    --limit 1 \
    --model-args tokenizer_dir=./models/tokenizers

5. 预置模型评测示例

当前工具包提供Qwen3-8B与Qwen3-VL-4B两个大模型的精度评测脚本。对于其他模型，用户可参考这些示例自行编写接入脚本。

5.1. Qwen3-8B示例

在 houmo-examples-xh2/tools/hmeval/examples/qwen3 目录下，执行下面指令评测模型精度：

./test.sh

返回信息示例如下：

+----------------------------------------------+--------+---------+-------+----+------+-------+
|Model                                         | Dataset| Metric  | Subset|Num |Score |Cat.0  |
+==============================================+========+=========+=======+====+======+=======+
|hmm_xh2_qwen3_8b_256_8k_b1_1chip_2cores       | gsm8k  | mean_acc| main  |100 | 0.96 |default|
+----------------------------------------------+--------+---------+-------+----+------+-------+

5.2. Qwen3-VL-4B示例

在 houmo-examples-xh2/tools/hmeval/examples/qwen3-vl 目录下，执行下面指令评测模型精度：

./test.sh

返回信息示例如下：

+--------------------------------------------+--------+--------+-------+---+-----+-------+
|Model                                       |Dataset |Metric  |Subset |Num|Score|Cat.0  |
+============================================+========+========+=======+===+=====+=======+
|hmm_xh2_qwen3-vl_4b_256_32k_b1_1chip_2cores |mm_bench|mean_acc|cn     |  1|    1|default|
+--------------------------------------------+--------+--------+-------+---+-----+-------+
|hmm_xh2_qwen3-vl_4b_256_32k_b1_1chip_2cores |mm_bench|mean_acc|en     |  1|    1|default|
+--------------------------------------------+--------+--------+-------+---+-----+-------+
|hmm_xh2_qwen3-vl_4b_256_32k_b1_1chip_2cores |mm_bench|mean_acc|OVERALL|  2|    1|-      |
+--------------------------------------------+--------+--------+-------+---+-----+-------+

6. 精度指标说明

Model ：本次评测运行的模型名称。
Dataset ：当前评估所使用的基准测试集名称。
Metric ：用于衡量模型表现的标准。常见指标包括：
- mean_acc：平均准确率。
- pass@1：单次采样通过率。
Subset ：数据集内部的分类。若为全量测试，通常显示为 all 或 main。
Num ：实际参与推理并计入评分的测试样本总数。
Score ：核心结果指标。取值范围通常在 0 到 1 之间，数值越高代表精度越高。
Cat.0 ：数据集的顶层分类标签，用于多维度聚合统计，默认为 default。

7. 自定义模型评测脚本

可自定义模型评测脚本，实现模型精度评估。用户需要编写一个遵循EvalScope接口规范的Python脚本。

7.1. 必要足条件

模型脚本必须完成以下四个核心步骤：

定义API名称：设置全局常量 API_NAME。
注册模型：使用 @register_model_api(name=API_NAME) 装饰模型类。
继承基类：模型类必须继承自 ModelAPI。
实现推理接口：实现 generate() 方法，并返回 ModelOutput 对象。

7.2. 脚本推荐模板

以下是一个模板，展示了如何接收 hmeval 注入的参数：

from typing import List, Dict, Any, Optional
from evalscope.api.model import ModelAPI, GenerateConfig, ModelOutput
from evalscope.api.messages import ChatMessage
from evalscope.api.tool import ToolChoice, ToolInfo
from evalscope.api.registry import register_model_api

API_NAME = "my_custom_model"


@register_model_api(name=API_NAME)
class MyCustomModel(ModelAPI):
    def __init__(
        self,
        model_name: str,
        base_url: Optional[str] = None,
        api_key: Optional[str] = None,
        config: GenerateConfig = GenerateConfig(),
        **model_args: Dict[str, Any],
    ) -> None:
        super().__init__(model_name, base_url, api_key, config)

        # hmeval 会自动传入
        self.model_dir = model_args.get("model_dir")
        if not self.model_dir:
            raise ValueError("`model_dir` is required")

        # 来自 --model-args
        self.tokenizer_dir = model_args.get("tokenizer_dir")

    def generate(
        self,
        input: List[ChatMessage],
        tools: List[ToolInfo],
        tool_choice: ToolChoice,
        config: GenerateConfig,
    ) -> ModelOutput:
        # 在这里实现推理逻辑
        text = "hello"
        return ModelOutput.from_content(model="my_custom_model", content=text)