Boxuan Li
feabc97aba
Evaluation time travel: build sandbox on the fly (#2491)
|
1 an în urmă | |
|---|---|---|
| .. | ||
| EDA | 1 an în urmă | |
| agent_bench | 1 an în urmă | |
| biocoder | 1 an în urmă | |
| bird | 1 an în urmă | |
| gaia | 1 an în urmă | |
| gorilla | 1 an în urmă | |
| gpqa | 1 an în urmă | |
| humanevalfix | 1 an în urmă | |
| logic_reasoning | 1 an în urmă | |
| miniwob | 1 an în urmă | |
| mint | 1 an în urmă | |
| ml_bench | 1 an în urmă | |
| regression | 1 an în urmă | |
| static | 1 an în urmă | |
| swe_bench | 1 an în urmă | |
| toolqa | 1 an în urmă | |
| utils | 1 an în urmă | |
| webarena | 1 an în urmă | |
| README.md | 1 an în urmă | |
| TUTORIAL.md | 1 an în urmă | |
| __init__.py | 1 an în urmă | |
README.md
Evaluation
This folder contains code and resources to run experiments and evaluations.
Logistics
To better organize the evaluation folder, we should follow the rules below:
- Each subfolder contains a specific benchmark or experiment. For example,
evaluation/swe_benchshould contain all the preprocessing/evaluation/analysis scripts. - Raw data and experimental records should not be stored within this repo.
- For model outputs, they should be stored at this huggingface space for visualization.
- Important data files of manageable size and analysis scripts (e.g., jupyter notebooks) can be directly uploaded to this repo.
Supported Benchmarks
- SWE-Bench:
evaluation/swe_bench - ML-Bench:
evaluation/ml_bench - HumanEvalFix:
evaluation/humanevalfix - GAIA:
evaluation/gaia - Entity deduction Arena (EDA):
evaluation/EDA - MINT:
evaluation/mint - AgentBench:
evaluation/agent_bench - BIRD:
evaluation/bird - LogicReasoning:
evaluation/logic_reasoning
Result Visualization
Check this huggingface space for visualization of existing experimental results.
Upload your results
You can start your own fork of our huggingface evaluation outputs and submit a PR of your evaluation results to our hosted huggingface repo via PR following the guide here.