自动化与AI助手 · 工具介绍
EvalPlus
评估语言模型生成代码的测试框架，提供代码正确性基准和执行效率评估工具，可通过命令行生成样本并运行测试。
EvalPlus 能做什么
评估语言模型生成代码的测试框架，提供代码正确性基准和执行效率评估工具，可通过命令行生成样本并运行测试。
- 语言模型与智能体质量评估及回归检查
如何使用 EvalPlus
在隔离环境中评估模型生成代码的正确性
准备输入
- 兼容模型或已生成的代码样本及评估数据集
操作步骤
- 安装 EvalPlus，选择模型、后端和数据集，使用 codegen 生成待评估样本。
- 将样本交给容器内的 evaluate 运行测试，读取评估结果并检查失败案例，记录模型和评估配置。
预期交付物
- 模型代码样本的正确性评估结果
评估会执行生成代码，应使用隔离环境并控制资源；基准结果只覆盖对应测试集，不能直接保证实际项目代码安全或正确。
开始前需要了解
账号权限、费用与可用功能请以官方入口的当前说明为准。重要结果应先检查，再用于实际工作。
从自动化与AI助手角度评估EvalPlus
把自动化与AI助手需要的条件列清楚，再比较工具。阅读本页的产品用途、步骤与限制，再逐项确认下面的问题；这些是选型方法，不表示每款工具都具备同样能力。
触发是否明确
写清事件来源、必要字段和重复事件的识别方式。
权限是否够用
只连接完成任务所需的账户与范围；真实操作由有权人员确认。
失败是否可见
保留结果状态和接手人，不能把重试次数当成完成次数。
选择一个小样任务，先检查结果与交付格式，再决定是否用于更多资料。
