HumanEvalPlus#

概述#

HumanEval Plus 是 OpenAI 的 HumanEval 基准测试的一个严格扩展版本，旨在解决代码生成评估中较高的假阳性率问题。它在原始测试用例的基础上，增加了数万个自动生成的输入，以暴露边界情况下的 bug 和功能错误。

任务描述#

  • 任务类型：代码生成（Python）

  • 输入：包含文档字符串（docstring）的函数签名，描述预期行为

  • 输出：完整的 Python 函数实现

  • 测试覆盖：相比原始 HumanEval 大幅增强

主要特性#

  • 包含原始 HumanEval 的 164 个问题，并配备增强版测试套件

  • 每个问题额外增加数万个测试用例

  • 基于大语言模型（LLM）和变异（mutation）技术生成测试输入

  • 能够发现原始 HumanEval 遗漏的边界情况和 bug

  • 正确性评估更加严格且准确

评估说明#

  • 默认配置使用 0-shot 评估

  • 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）执行。详情请参阅 沙箱文档。

  • 支持 pass@k 指标计算

  • 默认超时时间为 300 秒，以适应庞大的测试套件

  • 使用预装 numpy 的自定义 Docker 镜像

属性#

属性

值

基准测试名称

humaneval_plus

数据集ID

evalscope/humanevalplus

论文

N/A

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）

609.57 字符

提示词长度（最小/最大）

274 / 1519 字符

样例示例#

子集: default

{
  "input": [
    {
      "id": "dcff8346",
      "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": "\n\n    sorted_numbers = sorted(numbers)\n    for i in range(len(sorted_numbers) - 1):\n        if sorted_numbers[i + 1] - sorted_numbers[i] < threshold:\n            return True\n    return False\n\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\nimport numpy as np\n\ndef is_floats(x) -> bool:\n    # check if it is float; List[float]; Tuple[float]\n    if isinstance(x, float):\n        return True\n    if isinstance(x, (list, tuple)):\n        return all(isinstance(i, float) for i in x)\n   ... [TRUNCATED] ...  True, True, True, True, True, True, True, True, True, False, True, True, True, True, True, True, True, True, True, True, False, True, True]\n    for i, (inp, exp) in enumerate(zip(inputs, results)):\n        assertion(candidate(*inp), exp, 0)\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": "python3.11-numpy",
  "tools_config": {
    "shell_executor": {},
    "python_executor": {}
  }
}

使用方法#

使用 CLI#

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

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_plus'],
    use_sandbox=True,
    limit=10,  # 正式评估时请删除此行
)

run_task(task_cfg=task_cfg)