HumanEval#

概述#

HumanEval 是一个用于评估语言模型代码生成能力的基准测试。它包含 164 个手工编写的 Python 编程问题，每个问题都提供了函数签名、文档字符串（docstring）和完整的测试用例。

任务描述#

  • 任务类型：代码生成（Python）

  • 输入：带有文档字符串的函数签名，描述期望的行为

  • 输出：完整的 Python 函数实现

  • 语言：仅限 Python

主要特性#

  • 包含 164 个精心设计的编程问题

  • 每个问题均包含函数签名、文档字符串和测试用例

  • 问题难度从简单的字符串操作到复杂的算法不等

  • 提供标准参考解答

  • 通过执行测试用例自动验证正确性

评估说明#

  • 安全警告：默认情况下，代码将在本地环境中执行。我们强烈建议使用沙箱（sandbox）环境以确保安全。详情请参阅 沙箱文档。

  • 支持 pass@k 指标计算，用于衡量生成质量

  • 每个问题默认超时时间为 4 秒

  • 若响应中包含 Markdown 代码块，则从中提取代码

属性#

属性

值

基准测试名称

humaneval

数据集 ID

opencompass/humaneval

论文

无

标签

Coding

指标

acc

默认示例数量

0-shot

评估划分

test

聚合方式

mean_and_pass_at_k

数据统计#

指标

值

总样本数

164

提示词长度（平均）

609.6 字符

提示词长度（最小/最大）

274 / 1519 字符

样例示例#

子集: openai_humaneval

{
  "input": [
    {
      "id": "5f652252",
      "content": "Read the following function signature and docstring, and fully implement the function described. Your response should only contain the code for this function.\nfrom typing import List\n\n\ndef has_close_elements(numbers: List[float], threshold: f ... [TRUNCATED] ... Check if in given list of numbers, are any two numbers closer to each other than\n    given threshold.\n    >>> has_close_elements([1.0, 2.0, 3.0], 0.5)\n    False\n    >>> has_close_elements([1.0, 2.8, 3.0, 4.0, 5.0, 2.0], 0.3)\n    True\n    \"\"\"\n"
    }
  ],
  "target": "    for idx, elem in enumerate(numbers):\n        for idx2, elem2 in enumerate(numbers):\n            if idx != idx2:\n                distance = abs(elem - elem2)\n                if distance < threshold:\n                    return True\n\n    return False\n",
  "id": 0,
  "group_id": 0,
  "metadata": {
    "task_id": "HumanEval/0",
    "entry_point": "has_close_elements",
    "prompt": "from typing import List\n\n\ndef has_close_elements(numbers: List[float], threshold: float) -> bool:\n    \"\"\" Check if in given list of numbers, are any two numbers closer to each other than\n    given threshold.\n    >>> has_close_elements([1.0, 2.0, 3.0], 0.5)\n    False\n    >>> has_close_elements([1.0, 2.8, 3.0, 4.0, 5.0, 2.0], 0.3)\n    True\n    \"\"\"\n",
    "test": "\n\nMETADATA = {\n    'author': 'jt',\n    'dataset': 'test'\n}\n\n\ndef check(candidate):\n    assert candidate([1.0, 2.0, 3.9, 4.0, 5.0, 2.2], 0.3) == True\n    assert candidate([1.0, 2.0, 3.9, 4.0, 5.0, 2.2], 0.05) == False\n    assert candidate([1.0 ... [TRUNCATED] ...  candidate([1.0, 2.0, 5.9, 4.0, 5.0], 0.8) == False\n    assert candidate([1.0, 2.0, 3.0, 4.0, 5.0, 2.0], 0.1) == True\n    assert candidate([1.1, 2.2, 3.1, 4.1, 5.1], 1.0) == True\n    assert candidate([1.1, 2.2, 3.1, 4.1, 5.1], 0.5) == False\n\n"
  }
}

注：部分内容因展示需要已被截断。

提示模板#

提示模板：

Read the following function signature and docstring, and fully implement the function described. Your response should only contain the code for this function.
{question}

沙箱配置#

此基准测试需要沙箱环境来执行代码。

{
  "image": "python:3.11-slim",
  "tools_config": {
    "shell_executor": {},
    "python_executor": {}
  }
}

使用方法#

使用命令行（CLI）#

evalscope eval \
    --model YOUR_MODEL \
    --api-url OPENAI_API_COMPAT_URL \
    --api-key EMPTY_TOKEN \
    --datasets humaneval \
    --use-sandbox \
    --limit 10  # 正式评估时请移除此行

使用 Python#

from evalscope import run_task
from evalscope.config import TaskConfig

task_cfg = TaskConfig(
    model='YOUR_MODEL',
    api_url='OPENAI_API_COMPAT_URL',
    api_key='EMPTY_TOKEN',
    datasets=['humaneval'],
    use_sandbox=True,
    limit=10,  # 正式评估时请移除此行
)

run_task(task_cfg=task_cfg)