CLI-Agenten für autonomes LLM-Post-Training mit PostTrainBench benchen
Führen Sie Claude Code, Codex CLI, Gemini CLI oder OpenCode durch begrenzte H100-Post-Training-Aufgaben und vergleichen Sie, wie gut jeder Agent ein Basis-LLM verbessert.
Voraussetzungen
Python, Apptainer, Fuse-OverlayFS, Hugging Face-Cache, H100-GPU-Zugriff, derzeit Unterstützung für HTCondor-Scheduler, sowie Anmeldedaten für die ausgewählten CLI-Agenten-Grundgerüste
Installation
Installieren oder richten Sie es gemäß den quellbasierten Anweisungen ein:
Klonen Sie https://github.com/aisa-group/PostTrainBench, installieren Sie die Anforderungen einschließlich Apptainer und Fuse-OverlayFS, erstellen Sie den Standardcontainer mit bash containers/build_container.sh standard, laden Sie den Hugging Face-Cache mit bash containers/download_hf_cache/download_hf_cache.sh herunter, kopieren Sie example.env nach .env, setzen Sie API-Schlüssel und Pfade, und reichen Sie dann Jobs mit bash src/commit_utils/commit.sh ein.