从零开始理解大语言模型评估的四大主流方法
选择题基准测试、验证器、排行榜与LLM评审器（附代码示例）
我们究竟该如何评估大语言模型（LLM）？这个问题看似简单，却往往能引出一场宏大的讨论。
在为项目提供咨询或协作开发时，我最常被问到的问题之一就是：如何在不同模型之间做选择？如何解读市面上五花八门的评估结果？（当然，还有在微调或自研模型时，该如何衡量进展。）
由于这个问题反复出现，我觉得有必要简要梳理一下业界用于对比LLM的主流评估方法。诚然，LLM评估是一个极其庞大的议题，单篇文章无法穷尽，但我认为，对这几类核心方法建立清晰的认知框架，能大幅帮助我们解读各类基准测试、排行榜和学术论文。
我原本打算把这些评估技术写入即将出版的新书《Build a Reasoning Model (From Scratch)》（https://mng.bz/Nwr7），但最终发现它们略超出了全书的核心范围（该书更聚焦于基于验证器的评估方法）。因此我想把这部分内容整理成一篇长文，搭配从零实现的代码示例分享给大家。
在《Build a Reasoning Model (From Scratch)》（https://mng.bz/Nwr7）一书中，我采用了动手实践的方式，从零开始构建一个推理型LLM。如果你喜欢《Build A Large Language Model (From Scratch)》，那么新书也延续了同样的风格——全程用纯PyTorch从零搭建所有组件。
图0：推理能力是近年来LLM领域最激动人心、也最重要的进展之一，但如果只听过“推理”这个名词、只读过理论层面的介绍，也很容易产生误解。因此在《Build a Reasoning Model (From Scratch)》（https://mng.bz/Nwr7）中，我采用了手把手实操的思路，从零搭建推理型LLM。
该书目前处于抢先阅读阶段，已有超过100页内容上线，我刚刚又完成了约30页的内容，目前正在由排版团队处理。如果你已经加入了抢先阅读计划（非常感谢你的支持！），内容上线后你会收到邮件通知。
附言：当下LLM研究领域日新月异，我还在陆续消化我收藏夹里越来越多的论文，计划在下一篇文章中重点介绍其中最有意思的几项研究。
不过现在，让我们先来讨论LLM评估的四大核心方法，搭配从零开始的代码实现，帮你更好地理解它们各自的优缺点。
理解LLM的主流评估方法
实践中，训练好的LLM常见的评估方式有四种：选择题测试、验证器评估、排行榜和LLM评审器，如图1所示。学术论文、宣传材料、技术报告以及模型卡（LLM专属的技术报告）通常会包含其中两类或更多类方法的结果。
图1： 本文涵盖的四种评估模型概览
此外，这里介绍的四大类方法可以归为两大阵营：基于基准测试的评估和基于评判的评估，如上图所示。
（还有一些其他指标，比如训练损失、困惑度、奖励值等，但它们通常用于模型开发的内部环节。）
下面的小节将简要概述每一种方法，并给出相应示例。
方法1：评估选项作答准确率
我们从一种基于基准测试的方法说起：选择题作答。
历史上，应用最广泛的评估方法之一就是选择题基准测试，比如MMLU（全称为Massive Multitask Language Understanding，大规模多任务语言理解，https://huggingface.co/datasets/cais/mmlu）。为了说明这种方法，图2展示了MMLU数据集中的一道典型题目。
图2： 在MMLU上评估LLM：将模型的选择题预测结果与数据集的正确答案做对比
图2只是MMLU数据集中的一个例子。完整的MMLU数据集涵盖57个学科（从高中数学到生物学），总共约1.6万道选择题，性能用准确率来衡量（答对题目的占比）——比如1.6万道题中答对1.4万道，准确率就是87.5%。
MMLU这类选择题基准测试，以一种直接、可量化的方式考察LLM的知识回忆能力，类似于标准化考试、各类学业考试或者驾照理论考试。
注意图2展示的是简化版的选择题评估方式：直接将模型预测的答案字母与正确答案做比对。还有另外两种更常用的方法涉及对数概率评分（log-probability scoring），我已经在这个仓库中实现了它们：https://github.com/rasbt/reasoning-from-scratch/tree/main/chF/02_mmlu 。（由于这部分内容建立在本文讲解的概念之上，建议读完本文后再去查看。）
下面的小节将演示如何用代码实现图2所示的MMLU打分方式。
1.2 加载模型
首先，在MMLU上评估模型之前，我们首先要加载预训练模型。这里我们使用纯PyTorch从零实现的Qwen3 0.6B模型，它只需要约1.5GB内存。
注意Qwen3的模型实现细节不是本节重点，我们只把它当作一个待评估的LLM即可。如果你感兴趣，可以在我之前的文章《Understanding and Implementing Qwen3 From Scratch》中看到从零实现的完整教程，源代码也可以在Github获取：
我们不用复制粘贴大段Qwen3源代码，而是直接从我的Python库reasoning_from_scratch中导入，安装方式如下：
pip install reasoning_from_scratch
或者
uv add reasoning_from_scratch
代码块1：加载预训练模型
from pathlib import Path
import torch
from reasoning_from_scratch.ch02 import get_device
from reasoning_from_scratch.qwen3 import (
download_qwen3_small, Qwen3Tokenizer,
Qwen3Model, QWEN_CONFIG_06_B
)
device = get_device()
# Set matmul precision to "high" to
# enable Tensor Cores on compatible GPUs
torch.set_float32_matmul_precision("high")
# Uncomment the following line
# if you encounter device compatibility issues
# device = "cpu"
# Use the base model by default
WHICH_MODEL = "base"
if WHICH_MODEL == "base":
download_qwen3_small(
kind="base", tokenizer_only=False, out_dir="qwen3"
)
tokenizer_path = Path("qwen3") / "tokenizer-base.json"
model_path = Path("qwen3") / "qwen3-0.6B-base.pth"
tokenizer = Qwen3Tokenizer(tokenizer_file_path=tokenizer_path)
elif WHICH_MODEL == "reasoning":
download_qwen3_small(
kind="reasoning", tokenizer_only=False, out_dir="qwen3"
)
tokenizer_path = Path("qwen3") / "tokenizer-reasoning.json"
model_path = Path("qwen3") / "qwen3-0.6B-reasoning.pth"
tokenizer = Qwen3Tokenizer(
tokenizer_file_path=tokenizer_path,
apply_chat_template=True,
add_generation_prompt=True,
add_thinking=True,
)
else:
raise ValueError(f"Invalid choice: WHICH_MODEL={WHICH_MODEL}")
model = Qwen3Model(QWEN_CONFIG_06_B)
model.load_state_dict(torch.load(model_path))
model.to(device)
# Optionally enable model compilation for potential performance gains
USE_COMPILE = False
if USE_COMPILE:
torch._dynamo.config.allow_unspec_int_on_nn_module = True
model = torch.compile(model)
1.3 检查生成的答案字母
本节我们实现最简单、也最直观的MMLU打分方法：检查模型生成的选择题答案字母是否与正确答案匹配。这和之前图2展示的思路一致，为方便阅读，下图再次放出。
图3： 在MMLU上评估LLM：将模型的选择题预测结果与数据集的正确答案做对比
我们以MMLU数据集中的一道题为例：
example = {
"question": (
"How many ways are there to put 4 distinguishable"
" balls into 2 indistinguishable boxes?"
),
"choices": ["7", "11", "16", "8"],
"answer": "D",
}
接下来，我们定义一个函数来格式化LLM的输入提示。
代码块2：格式化提示
def format_prompt(example):
return (
f"{example['question']}\n"
f"A. {example['choices'][0]}\n"
f"B. {example['choices'][1]}\n"
f"C. {example['choices'][2]}\n"
f"D. {example['choices'][3]}\n"
"Answer: "
)
# Trailing space in "Answer: " encourages a single-letter next token
我们对上面的MMLU例题执行这个函数，看看格式化后的LLM输入是什么样的：
prompt = format_prompt(example) print(prompt)
输出为：
How many ways are there to put 4 distinguishable balls into 2 indistinguishable boxes? A. 7 B. 11 C. 16 D. 8 Answer:
如上所示，模型提示会列出所有候选答案，最后以Answer:结尾，引导模型生成正确答案。
虽然不是必须的，但有时也可以在输入中附带几道例题和正确答案，让模型观察解题的规范格式。（比如提供5道例题的设置也叫5-shot MMLU。）不过对于当前世代的LLM，哪怕基座模型也已经具备足够的能力，这一步并非必需。
加载不同的MMLU样本
你可以通过datasets库直接加载MMLU数据集的样本（安装方式：pip install datasets 或 uv add datasets）：
from datasets import load_dataset
configs = get_dataset_config_names("cais/mmlu")
dataset = load_dataset("cais/mmlu", "high_school_mathematics")
# Inspect the first example from the test set:
example = dataset["test"][0]
print(example)
上面我们使用了“高中数学”子集；要查看其他子集列表，可以使用以下代码：
from datasets import get_dataset_config_names
subsets = get_dataset_config_names("cais/mmlu")
print(subsets)
接下来，我们对提示进行分词，并用PyTorch张量包装，作为LLM的输入：
prompt_ids = tokenizer.encode(prompt) prompt_fmt = torch.tensor(prompt_ids, device=device) # Add batch dimension: prompt_fmt = prompt_fmt.unsqueeze(0)
准备工作完成后，我们定义核心打分函数：生成少量token（这里默认8个），并提取模型输出中出现的第一个A/B/C/D字母。
代码块3：提取生成的字母
from reasoning_from_scratch.ch02_ex import (
generate_text_basic_stream_cache
)
def predict_choice(
model, tokenizer, prompt_fmt, max_new_tokens=8
):
pred = None
for t in generate_text_basic_stream_cache(
model=model,
token_ids=prompt_fmt,
max_new_tokens=max_new_tokens,
eos_token_id=tokenizer.eos_token_id,
):
answer = tokenizer.decode(t.squeeze(0).tolist())
for letter in answer:
letter = letter.upper()
# stop as soon as a letter appears
if letter in "ABCD":
pred = letter
break
if pred:
break
return pred
然后我们就可以用上面的函数检查生成的字母了：
pred1 = predict_choice(model, tokenizer, prompt_fmt)
print(
f"Generated letter: {pred1}\n"
f"Correct? {pred1 == example['answer']}"
)
结果为：
Generated letter: C Correct? False
可以看到，这个例子中模型生成的答案是错误的（False）。
这只是MMLU高中数学子集中270道题里的一道。下图（图4）展示了基座模型和推理版本在完整子集上的表现，对应代码可以在这里查看：https://github.com/rasbt/reasoning-from-scratch/blob/main/chF/02_mmlu/1_letter_matching.py 。
图4： 基座模型与推理模型在MMLU高中数学子集上的表现
假设每个选项出现概率均等，随机猜测者（均匀选择A、B、C、D）的预期准确率是25%。所以基座模型和推理模型的表现都不算理想。
选择题作答的其他形式
注意本节为了演示，实现的是简化版的选择题评估，直接比对答案字母。实践中更常用的是对数概率评分（log-probability scoring）这类变体：我们衡量模型认为每个候选答案的可能性，而不只是检查最终输出的字母。（我们会在第4章讨论基于概率的打分。）对于推理模型，评估还可以包含：当把正确答案作为输入时，模型生成它的概率有多大。
图5： 其他MMLU打分方法已在这个仓库中说明和共享：https://github.com/rasbt/reasoning-from-scratch/tree/main/chF/02_mmlu
但无论使用哪种MMLU打分变体，评估的本质都是检验模型能否从预设的选项中做出选择。
MMLU这类选择题基准测试的局限在于：它们只衡量LLM从预设选项中做选择的能力，因此除了检查模型相比基座版本遗忘了多少知识之外，对评估推理能力的作用有限。它无法衡量自由写作能力，也无法反映模型在真实场景中的实用性。
尽管如此，选择题基准测试依然是简单实用的诊断工具：比如，MMLU高分不一定代表模型实际应用能力强，但低分却能凸显出潜在的知识缺口。
方法2：用验证器检查答案
和上一节讨论的选择题作答相关，基于验证的方法也通过准确率指标来量化LLM的能力。但与选择题基准测试不同的是，验证方法允许LLM给出自由形式的答案，然后我们提取出相关的答案部分，用所谓的“验证器”将答案与数据集提供的标准答案做对比，如图6所示。
图6： 用基于验证的方法在自由问答场景下评估LLM。模型生成自由形式的答案（可能包含多步推导）和最终的框选答案，提取后与数据集的正确答案做对比。
在对比提取出的答案和标准答案时，我们可以使用外部工具，比如代码解释器或者计算器类工具/软件。
这种方法的缺点是：只能应用于容易（最好是确定性）验证的领域，比如数学和代码。此外，这种方法会引入额外的复杂度和依赖项，并且可能把部分评估负担从模型本身转移到了外部工具上。
但由于它支持通过编程生成无限多的数学题目变体，并且能受益于逐步推理过程，它已经成为推理模型评估和开发的基石。
我在《Build a Reasoning Model (From Scratch)》一书中用整整35页的篇幅详细讲解了这个主题，所以这里就跳过代码实现了。（我上周刚提交了这一章。如果你有抢先阅读版，内容上线后你会收到邮件，到时候就可以阅读了。与此同时，你可以在这里找到分步代码：https://github.com/rasbt/reasoning-from-scratch/blob/main/ch03/01_main-chapter-code/ch03_main.ipynb 。）
图7： 基于验证的评估方法节选，代码见：https://github.com/rasbt/reasoning-from-scratch/blob/main/ch03/01_main-chapter-code/ch03_main.ipynb
方法3：用偏好度和排行榜对比模型
到目前为止，我们介绍了两种能给出可量化指标（比如模型准确率）的方法。但上述方法都没有从更整体的角度评估LLM，包括对回答风格的评判。本节我们讨论一种基于评判的方法——LLM排行榜，如图8所示。
图8： 本书覆盖主题的思路框架，聚焦于附录中介绍的基于评判和基于基准的评估方法。前面已经讲了基于基准的方法（选择题、验证器），现在我们引入衡量LLM性能的基于评判的方法，本小节重点讲排行榜。
这里介绍的排行榜方法是一种基于评判的思路：模型的排名不是依据准确率或其他固定基准分数，而是依据用户（或其他LLM）对其输出的偏好度。
一个很有名的排行榜是LM Arena（https://lmarena.ai/，前身为Chatbot Arena）：用户对比两个指定或匿名模型的回答，投票选出自己更喜欢的那个，如图9所示。
图9： 基于评判的排行榜界面示例（LM Arena）。给两个LLM输入相同的提示，并排展示回答，用户投票选出更偏好的答案。
这些偏好投票会像上图那样收集起来，再聚合到所有用户中，生成一个按用户偏好度排名的模型排行榜。图10是LM Arena排行榜的当前快照（数据获取于2025年10月3日）。
图10： LM Arena排行榜截图，展示了基于用户文本任务偏好度的当前领先LLM
在本节余下部分，我们将实现一个简单的排行榜示例。
为了构造具体的例子，假设用户在类似图9的设置下向不同LLM提问。下面的列表代表两两投票结果，第一个模型是获胜者：
votes = [
("GPT-5", "Claude-3"),
("GPT-5", "Llama-4"),
("Claude-3", "Llama-3"),
("Llama-4", "Llama-3"),
("Claude-3", "Llama-3"),
("GPT-5", "Llama-3"),
]
上面的列表中，votes里的每个元组代表两个模型的两两偏好，格式为（获胜者，失败者）。比如("GPT-5", "Claude-3")表示用户更偏好GPT-5的回答，而非Claude-3。
接下来，我们把这个投票列表转换成排行榜。我们会使用很流行的Elo评级体系（https://en.wikipedia.org/wiki/Elo_rating_system），它最初是为棋手排名设计的。
在看具体代码实现之前，先简单说下原理：每个模型以基准分起步，每次对比和投票后，模型的评级会更新。（在Elo体系中，更新幅度取决于结果的“冷门程度”。）
具体来说，如果一个当前模型战胜了排名远高于自己的模型，它的排名会得到较大幅度的提升，在排行榜上位置更靠前。反之，如果战胜的是排名很低的对手，提升幅度就很小。（如果当前模型输了，也会按类似逻辑扣分。）
将两两排名转化为排行榜的代码如下所示。
代码块4：构建排行榜
def elo_ratings(vote_pairs, k_factor=32,
initial_rating=1000):
# Initialize all models with the same base rating
ratings = {
model: initial_rating
for pair in vote_pairs
for model in pair
}
# Update ratings after each match
for winner, loser in vote_pairs:
# Expected score for the current winner
expected_winner = 1.0 / (
1.0 + 10 ** (
(ratings[loser] - ratings[winner])
/ 400.0
)
)
# k_factor determines sensitivity of updates
ratings[winner] = (
ratings[winner]
+ k_factor * (1 - expected_winner)
)
ratings[loser] = (
ratings[loser]
+ k_factor * (0 - (1 - expected_winner))
)
return ratings
上面定义的elo_ratings函数接收投票数据，输出排行榜，用法如下：
ratings = elo_ratings(votes, k_factor=32, initial_rating=1000)
for model in sorted(ratings, key=ratings.get, reverse=True):
print(f"{model:8s} : {ratings[model]:.1f}")
输出的排名如下，分数越高表现越好：
GPT-5 : 1043.7 Claude-3 : 1015.2 Llama-4 : 1000.7 Llama-3 : 940.4
这背后的原理是什么？对于每一组对决，我们用下面的公式计算获胜者的预期得分：
expected_winner = 1 / (1 + 10 ** ((rating_loser - rating_winner) / 400))
expected_winner是基于当前评级，模型在无平局设定下的预测获胜概率，它决定了评级的更新幅度。
首先，每个模型的初始分initial_rating = 1000。如果两个模型评级相等，那么expected_winner = 0.5，说明双方势均力敌。这种情况下，更新幅度为：
-
获胜者：
rating_winner + k_factor * (1 - 0.5) = rating_winner + 16 -
失败者：
rating_loser + k_factor * (0 - (1 - 0.5)) = rating_loser - 16
如果是大热门（高评级模型）赢了，expected_winner ≈ 1，胜者只加很少的分，败者也只扣很少的分：
-
获胜者：
rating_winner + 32 * (1 - 0.99) = rating_winner + 0.32 -
失败者：
rating_loser + 32 * (0 - (1 - 0.99)) = rating_loser - 0.32
但如果是冷门选手（低评级模型）赢了，expected_winner ≈ 0，胜者几乎拿到全部k_factor的分数，败者也扣差不多的分数：
-
获胜者：
rating_winner + 32 * (1 - 0.01) = rating_winner + 31.68 -
失败者：
rating_loser + 32 * (0 - (1 - 0.01)) = rating_loser - 31.68
顺序的影响
Elo方法是每次对决后更新评级，因此后面的结果建立在已经更新过的评级之上。这意味着同样的一组比赛结果，如果呈现顺序不同，最终分数可能略有差异。这种影响通常不大，但如果冷门对局出现在早期和晚期，结果可能会不一样。
为了降低这种顺序效应，我们可以打乱投票对的顺序，多次运行elo_ratings函数，然后取评级的平均值。
上面介绍的这类排行榜方法，比静态基准分数更能动态反映模型质量。但结果会受到用户群体构成、提示选择、投票偏差的影响。基准测试和排行榜也都存在被“刷分”的可能，而且用户可能更看重回答风格而非正确性。最后，和自动化基准测试相比，排行榜无法对新开发的模型变体提供即时反馈，因此在活跃的模型开发阶段使用起来更困难。
其他排名方法
LM Arena最初使用本节介绍的Elo方法，但最近换成了基于布拉德利-特里（Bradley–Terry）模型的统计方法。Bradley-Terry模型的主要优势是：由于有统计学基础，它可以构建置信区间来表达排名的不确定性。此外，和Elo评级不同，Bradley-Terry模型是基于整个数据集做统计拟合，同时估算所有评级，因此不受顺序效应影响。
为了让分数保持在大家熟悉的区间，Bradley-Terry模型拟合后会输出和Elo相当的数值。尽管排行榜官方已经不再正式使用Elo评级，但“Elo”这个说法在LLM研究者和从业者对比模型时依然被广泛使用。Elo评级的代码示例可以在这里查看：https://github.com/rasbt/reasoning-from-scratch/tree/main/chF/03_leaderboards 。
图11： Elo与Bradley-Terry排名对比；源代码见：https://github.com/rasbt/reasoning-from-scratch/tree/main/chF/03_leaderboards
方法4：用其他LLM评判回答
早期，LLM是用统计和启发式方法来评估的，包括BLEU指标——一种粗略衡量生成文本与参考文本匹配程度的标准。这类指标的问题在于，它们要求精确的单词匹配，没有考虑同义词、语序变化等情况。
如果我们想从整体上评判生成的回答文本，一个解决方案是使用上一节讲的相对排名和基于排行榜的方法。但排行榜的缺点在于，偏好对比带有主观性，因为需要人类反馈（以及收集反馈带来的种种挑战）。
另一种相关方法是：使用另一个LLM，搭配预定义的评分标准（即评估指南），将待评估LLM的回答与参考答案做对比，按照预设标准评判回答质量，如图12所示。
图12： LLM评审器评估示例。待评估模型生成答案，然后由另一个独立的评审LLM根据评分标准和参考答案打分。
实践中，只要评审LLM足够强，图12这种基于评审的方法效果就很好。常见的设置是通过API调用顶尖的闭源LLM（比如GPT-5 API），不过也有专门的评审模型。（比如这篇论文就是众多例子之一：https://arxiv.org/abs/2405.08029 ；归根结底，大多数这类专用模型都是小模型经过微调，获得了和闭源GPT模型相近的打分行为。）
评审方法之所以有效，原因之一是：评判一个答案往往比生成一个答案更容易。
要在Python中编程实现图12所示的基于评审的模型评估，我们既可以用PyTorch加载一个更大的Qwen3模型，给它输入评分标准和待评估的模型回答；也可以通过API调用其他LLM，比如ChatGPT或者Ollama API。
既然我们已经知道如何用PyTorch加载Qwen3模型，为了更有意思，本节剩下的部分我们将用Python调用Ollama API，实现图12的评审式评估。
具体来说，我们会使用OpenAI的200亿参数gpt-oss开源模型，它在能力和效率之间取得了很好的平衡。想了解更多关于gpt-oss的信息，可以看我的文章《From GPT-2 to gpt-oss: Analyzing the Architectural Advances》：
https://magazine.sebastianraschka.com/p/from-gpt-2-to-gpt-oss-analyzing-the
https://magazine.sebastianraschka.com/p/from-gpt-2-to-gpt-oss-analyzing-the
https://magazine.sebastianraschka.com/p/from-gpt-2-to-gpt-oss-analyzing-the
https://magazine.sebastianraschka.com/p/from-gpt-2-to-gpt-oss-analyzing-the
https://magazine.sebastianraschka.com/p/from-gpt-2-to-gpt-oss-analyzing-the https://substack.com/profile/27393275-sebastian-raschka-phd
·
2025年8月9日
https://magazine.sebastianraschka.com/p/from-gpt-2-to-gpt-oss-analyzing-the
4.1 在Ollama中实现LLM-as-a-judge方法
https://ollama.com/ 是一款高效的开源工具，用于在本地电脑上运行LLM。它封装了开源的llama.cpp库（https://github.com/ggerganov/llama.cpp）——后者用纯C/C++实现LLM，以最大化运行效率。不过注意，Ollama只是利用LLM生成文本（推理）的工具，不支持训练或微调LLM。
要运行下面的代码，请先访问Ollama官网https://ollama.com/，按照对应操作系统的说明安装Ollama：
-
macOS和Windows用户：打开下载的Ollama应用，如果提示安装命令行工具，选择“是”。
-
Linux用户：使用Ollama官网提供的安装命令。
在实现模型评估代码之前，我们先下载gpt-oss模型，通过命令行终端使用Ollama，验证它能正常运行。
在命令行（不是Python会话中）执行以下命令，体验200亿参数的gpt-oss模型：
ollama run gpt-oss:20b
第一次执行这个命令时，会自动下载200亿参数的gpt-oss模型，占用14GB存储空间。输出大致如下：
$ ollama run gpt-oss:20b pulling manifest pulling b112e727c6f1: 100% ▕██████████████████████▏ 13 GB pulling fa6710a93d78: 100% ▕██████████████████████▏ 7.2 KB pulling f6035677647: 100% ▕██████████████████████▏ 11 KB pulling d8ba2f9a17b3: 100% ▕██████████████████████▏ 18 B pulling 55c108d8e936: 100% ▕██████████████████████▏ 489 B verifying sha256 digest writing manifest removing unused layers success
可选的Ollama模型
注意ollama run gpt-oss:20b命令中的gpt-oss:20b指的是200亿参数的gpt-oss模型。运行这个模型大约需要13GB内存。如果你的机器内存不够，可以试试更小的模型，比如40亿参数的qwen3:4b，命令为ollama run qwen3:4b，只需要约4GB内存。
配置更高的电脑也可以用更大的1200亿参数gpt-oss模型，把gpt-oss:20b换成gpt-oss:120b即可。但请注意，这个模型需要的计算资源会显著增加。
模型下载完成后，我们就进入命令行界面，可以和模型对话了。比如问问模型“1+2等于几？”：
>>> What is 1+2? Thinking... User asks: "What is 1+2?" This is simple: answer 3. Provide explanation? Possibly ask for simple arithmetic. Provide answer: 3. ...done thinking. 1 + 2 = **3**
输入/bye就可以结束这个ollama run gpt-oss:20b会话。
在本节剩下的部分，我们将使用Ollama API。这种方式要求Ollama在后台运行，有三种实现方式：
-
在终端运行
ollama serve命令（推荐）。这会将Ollama后端作为服务运行，通常地址是http://localhost:11434。注意，在通过API调用之前，它不会加载模型。 -
像之前一样运行
ollama run gpt-oss:20b命令，但保持窗口打开，不要输入/bye退出会话。如前所述，这相当于在本地Ollama服务外包了一层简易的交互封装，底层用的是和ollama serve一样的服务API。 -
Ollama桌面应用。打开桌面应用会自动运行相同的后端，并在上面提供图形界面，如图12所示。
图13： 两种保持Ollama服务（或应用）运行的方式，以便我们在Python中通过Ollama API调用它
Ollama服务IP地址
Ollama在本地机器上运行时，会启动一个类似本地服务的进程。在终端运行ollama serve时，你可能会遇到报错：Error: listen tcp 127.0.0.1:11434: bind: address already in use.
如果出现这种情况，可以尝试命令OLLAMA_HOST=127.0.0.1:11435 ollama serve（如果这个地址也被占用，就把数字逐个加1，直到找到空闲地址。）
下面的代码会在我们用Ollama评估上一节生成的测试集回答之前，验证Ollama会话是否正常运行：
代码块5：检查Ollama是否运行
import psutil
def check_if_running(process_name):
running = False
for proc in psutil.process_iter(["name"]):
if process_name in proc.info["name"]:
running = True
break
return running
ollama_running = check_if_running("ollama")
if not ollama_running:
raise RuntimeError(
"Ollama not running. "
"Launch ollama before proceeding."
)
print("Ollama running:", check_if_running("ollama"))
确保执行上面代码后输出Ollama running: True。如果显示False，请确认ollama serve命令或者Ollama应用正在运行（见图13）。
在本文余下部分，我们将通过Python调用Ollama REST API，与运行在本地机器上的gpt-oss模型交互。下面的query_model函数演示了API的使用方法：
代码块6：调用本地Ollama模型
import json
import urllib.request
def query_model(
prompt,
model="gpt-oss:20b",
# If you used
# OLLAMA_HOST=127.0.0.1:11435 ollama serve
# update the address below
url="http://localhost:11434/api/chat"
):
# Create the data payload as a dictionary:
data = {
"model": model,
"messages": [
{"role": "user", "content": prompt}
],
# Settings required for deterministic responses:
"options": {
"seed": 123,
"temperature": 0,
"num_ctx": 2048
}
}
# Convert the dictionary to JSON and encode it to bytes
payload = json.dumps(data).encode("utf-8")
# Create a POST request and add headers
request = urllib.request.Request(
url,
data=payload,
method="POST"
)
request.add_header("Content-Type", "application/json")
response_data = ""
# Send the request and capture the streaming response
with urllib.request.urlopen(request) as response:
while True:
line = response.readline().decode("utf-8")
if not line:
break
# Parse each line into JSON
response_json = json.loads(line)
response_data += response_json["message"]["content"]
return response_data
下面是使用我们刚实现的query_model函数的示例：
ollama_model = "gpt-oss:20b"
result = query_model("What is 1+2?", ollama_model)
print(result)
输出结果是“3”。（和直接运行ollama run或者桌面应用的结果会有差异，因为默认设置不同。）
利用query_model函数，我们就可以评估模型生成的回答了：我们构造一个包含评分标准的提示，让gpt-oss模型以1到5分的尺度，根据参考答案来打分。
我们使用的提示如下：
代码块7：设置包含评分标准的提示模板
def rubric_prompt(instruction, reference_answer, model_answer):
rubric = (
"You are a fair judge assistant. You will be "
"given an instruction, a reference answer, and "
"a candidate answer to evaluate, according to "
"the following rubric:\n\n"
"1: The response fails to address the "
"instruction, providing irrelevant, incorrect, "
"or excessively verbose content.\n"
"2: The response partially addresses the "
"instruction but contains major errors, "
"omissions, or irrelevant details.\n"
"3: The response addresses the instruction to "
"some degree but is incomplete, partially "
"correct, or unclear in places.\n"
"4: The response mostly adheres to the "
"instruction, with only minor errors, "
"omissions, or lack of clarity.\n"
"5: The response fully adheres to the "
"instruction, providing a clear, accurate, and "
"relevant answer in a concise and efficient "
"manner.\n\n"
"Now here is the instruction, the reference "
"answer, and the response.\n"
)
prompt = (
f"{rubric}\n"
f"Instruction:\n{instruction}\n\n"
f"Reference Answer:\n{reference_answer}\n\n"
f"Answer:\n{model_answer}\n\n"
f"Evaluation: "
)
return prompt
rubric_prompt中的model_answer代表实际场景中我们自己的模型生成的回答。为了演示，这里我们硬编码一个合理的模型回答，而不是动态生成。（不过你也可以用本文开头加载的Qwen3模型来生成真实的model_answer。）
接下来，我们生成渲染后的提示，传给Ollama模型：
rendered_prompt = rubric_prompt(
instruction=(
"If all birds can fly, and a penguin is a bird, "
"can a penguin fly?"
),
reference_answer=(
"Yes, according to the premise that all birds can fly, "
"a penguin can fly."
),
model_answer=(
"Yes – under those premises a penguin would be able to fly."
)
)
print(rendered_prompt)
输出如下：
You are a fair judge assistant. You will be given an instruction, a reference answer, and a candidate answer to evaluate, according to the following rubric: 1: The response fails to address the instruction, providing irrelevant, incorrect, or excessively verbose content. 2: The response partially addresses the instruction but contains major errors, omissions, or irrelevant details. 3: The response addresses the instruction to some degree but is incomplete, partially correct, or unclear in places. 4: The response mostly adheres to the instruction, with only minor errors, omissions, or lack of clarity. 5: The response fully adheres to the instruction, providing a clear, accurate, and relevant answer in a concise and efficient manner. Now here is the instruction, the reference answer, and the response. Instruction: If all birds can fly, and a penguin is a bird, can a penguin fly? Reference Answer: Yes, according to the premise that all birds can fly, a penguin can fly. Answer: Yes – under those premises a penguin would be able to fly. Evaluation:
提示以Evaluation:结尾，引导模型生成分数。我们来看看gpt-oss:20b模型对这个回答打几分：
result = query_model(rendered_prompt, ollama_model) print(result)
回答如下：
**Score: 5** The candidate answer directly addresses the question, correctly applies the given premises, and concisely states that a penguin would be able to fly. It is accurate, relevant, and clear.
可以看到，回答得到了最高分，这很合理，因为它确实是正确的。这只是一个手动演示的简单例子，我们可以把这个思路进一步扩展，写一个循环，用评估数据集里的问题逐个查询模型（比如前面加载的Qwen3模型），通过gpt-oss进行评估，然后计算平均分。你可以在这里找到这样的脚本实现：我们在MATH-500数据集上评估Qwen3模型，地址是https://github.com/rasbt/reasoning-from-scratch/tree/main/chF/04_llm-judge 。
图14： Qwen3 0.6基座版与推理版在MATH-500前10道例题上的对比，由gpt-oss:20b担任评审。代码见：https://github.com/rasbt/reasoning-from-scratch/tree/main/chF/04_llm-judge
用过程奖励模型为中间推理步骤打分
和符号验证器、LLM评审器相关的，还有一类被称为过程奖励模型（Process Reward Models，PRMs）的训练模型。和评审器一样，PRMs不止评估最终答案，还能评估推理轨迹；但和通用评审器不同的是，PRMs专门聚焦于推理的中间步骤。而且和验证器不同——验证器通常只在结果层面做符号化的正确性检查——PRMs会在强化学习训练过程中提供逐步骤的奖励信号。我们可以把PRMs归类为“步骤级评审器”，它们主要是为训练开发的，而非纯粹的评估。（实践中，大规模可靠训练PRMs难度很高。比如DeepSeek R1就没有采用PRMs，而是结合了验证器来做推理训练。）
基于评审的评估相比基于偏好的排行榜，优势在于可扩展性和一致性，因为它不依赖大量人类投票者。（从技术上讲，排行榜背后的偏好评级也可以外包给LLM评审器。）但LLM评审器也和人类投票者有类似的弱点：结果会受到模型偏好、提示设计、回答风格的偏差影响。此外，它高度依赖评审模型和评分标准的选择，并且缺乏固定基准测试的可复现性。
结论
本文我们介绍了四种不同的评估方法：选择题测试、验证器评估、排行榜和LLM评审器。
我知道这篇文章很长，但希望它能帮你全面了解LLM的评估方式。这种从零开始的讲解方式可能略显繁琐，但却是理解这些方法底层原理的绝佳途径，反过来也能帮我们发现它们的不足和改进方向。
说到这里，你可能会问：“那评估LLM的最佳方式是什么？”遗憾的是，没有唯一的最优解，因为正如我们所见，每种方法都有不同的取舍。简而言之：
-
选择题测试
-
优点：大规模运行速度相对较快、成本较低
-
优点：跨论文（或模型卡）标准化、可复现
-
缺点：只衡量基础的知识回忆能力
-
缺点：无法反映LLM在真实世界中的使用方式
-
-
验证器评估
-
优点：对有标准答案的领域，评分标准化、客观
-
优点：允许自由形式作答（对最终答案格式有一定约束）
-
优点：如果使用过程验证器或过程奖励模型，也可以为中间步骤打分
-
缺点：只适用于可验证的领域（比如数学或代码），并且构建优秀的验证器难度不小
-
缺点：只看结果的验证器只评估最终答案，不评估推理质量
-
-
竞技场式排行榜（人类两两偏好）
-
优点：直接回答“人们更喜欢哪个模型？”，基于真实场景的提示
-
优点：允许自由形式作答，并且隐含考虑了风格、实用性和安全性
-
缺点：对人类来说成本高、耗时长
-
缺点：不衡量正确性，只衡量偏好度
-
缺点：人群构成的变化会影响排名稳定性
-
-
LLM-as-a-judge（LLM评审器）
-
优点：可跨多种任务扩展
-
优点：允许自由形式作答
-
缺点：依赖评审器的能力（集成多个评审器可以提升鲁棒性）
-
缺点：依赖评分标准的选择
-
虽然我平时不太喜欢雷达图，但在这里用它来可视化这些不同的评估维度还是很有帮助的，如下图所示。
图15： 雷达图示意：理想情况下，我们需要从不同维度评估LLM，才能识别它的优势和劣势。
比如，选择题得分高说明模型的通用知识扎实。如果再加上验证器得分高，那模型很可能也能正确回答技术问题。但如果模型在LLM评审器和排行榜评估中表现差，那它可能在写作或清晰表达方面有困难，可以通过RLHF来改善。
所以，最好的评估方式是多维度结合。但理想情况下，还要使用和你的目标或业务问题直接对齐的数据。比如，如果你要部署一个LLM来辅助法律相关工作，那跑一遍MMLU这类标准基准做快速 sanity check 是合理的，但最终你还是要针对目标领域（比如法律）定制评估。你可以在网上找到公开的基准测试作为很好的起点，但最终还是要用自己的专有数据来测试。只有这样，你才能比较有把握地确认模型在训练时没有见过这些测试数据。
总之，模型评估是一个非常庞大且重要的议题。希望这篇文章能帮你理解主流方法的工作原理，也希望下次你看模型评估或者自己做评估时，能从中获得一些有用的洞见。
一如既往，快乐折腾！
这本杂志是我的个人心血之作，你的支持就是它持续更新的动力。
如果你愿意支持我的工作，可以考虑我的这本书《Build a Large Language Model (From Scratch)》（https://amzn.to/4fqvn0D），或者它的续作《Build a Reasoning Model (From Scratch)》（https://mng.bz/Nwr7）。（我相信你会从中学到很多，它们对LLM工作原理的讲解深度是你在别处找不到的。）
感谢阅读，也感谢你支持独立研究！
《Build a Large Language Model (From Scratch)》现已在亚马逊上架：https://amzn.to/4fqvn0D
《Build a Reasoning Model (From Scratch)》抢先阅读地址：https://mng.bz/Nwr7
如果你读过这本书，能抽出几分钟时间的话，我会非常感谢你在亚马逊留下评价：https://www.amazon.com/Build-Large-Language-Model-Scratch/dp/1633437167 。这对我们作者帮助很大！
你的支持意义重大！谢谢！