Was macht benchmark-models?
Führen Sie standardisierte Compliance-QRA-Tests gegen Kandidaten-LLMs durch, um Genauigkeit, Latenz und Kosten vor dem Einsatz in der Inferenz-Pipeline zu bewerten.
Verwendung
Einzelmodell-Benchmark ausführen
./run.sh run --model deepseek-v3 --suite compliance-basic
Führt 20 Goldstandard-Compliance-QRA-Fragen gegen das angegebene Modell über /scillm aus. Gibt eine Ergebnistabelle mit den Spalten TEST_CASE, EXPECTED, ACTUAL, MATCH und LATENCY_MS sowie zusammenfassende Metriken (Genauigkeit%, Latenz_p50, Latenz_p95, geschätzte Token-Kosten) aus.
Mehrere Modelle vergleichen
./run.sh compare --models "deepseek-v3,llama-3.1-70b" --suite compliance-basic
Führt den Benchmark für jedes Modell aus und gibt eine nebeneinander angeordnete Vergleichstabelle aus.
Letzten Bericht anzeigen
./run.sh report
Liest die aktuellsten Benchmark-Ergebnisse aus ~/.embry/benchmark_results.json und gibt eine Zusammenfassung aus.
Trockenlauf (keine LLM-Aufrufe)
./run.sh run --model deepseek-v3 --suite compliance-basic --dry-run
./run.sh compare --models "deepseek-v3,llama-3.1-70b" --dry-run
Gibt das vollständige Benchmark-Gerüst mit 20 Testfällen und simulierten Ergebnissen aus. Es werden keine LLM-Aufrufe getätigt.
Suites
- compliance-basic: 20 Goldstandard-QRA-Fragen zu NIST 800-171, AS9100D, CMMC, ITAR, DFARS, DO-178C, MIL-STD und programmübergreifender Compliance-Abweichungserkennung.
Ausgabe
Die Ergebnisse werden in ~/.embry/benchmark_results.json gespeichert und auf der Standardausgabe ausgegeben. Der Bericht enthält die Genauigkeit pro Frage sowie zusammenfassende Metriken für Modellauswahlentscheidungen.