沙箱环境使用#

为了完成LLM代码能力评测，我们需要搭建一套独立的评测环境，避免在开发环境执行错误代码从而造成不可避免的损失。目前，EvalScope 接入了ms-enclave 沙箱环境，允许用户在受控的环境中评测模型的代码能力，例如使用HumanEval、LiveCodeBench等评测基准。

接下来介绍两种不同的沙箱使用方式：

本地使用：在本地机器上搭建沙箱环境，并在本地进行评测，需本地机器支持Docker；
异地使用：在远程服务器上搭建沙箱环境，并通过API接口进行评测，需远端机器支持Docker。

小技巧

数据集默认的沙箱环境配置可以在数据集配置中查看，例如HumanEval。
沙箱工作进程数 需要根据本地机器的资源情况进行调整，建议设置为不超过本地CPU核心数的一半，例如本地有8核CPU，则建议设置为4，尤其是多语言镜像(volcengine/sandbox-fusion)，其消耗资源更多，建议适当减少工作进程数。

1. 本地使用#

使用Docker在本地机器上搭建沙箱环境，并在本地进行评测，需本地机器支持Docker

安装环境#

安装Docker：请确保您的机器上已安装Docker。您可以从Docker官网下载并安装Docker。
安装沙箱环境相关依赖：在本地使用的Python环境中安装ms-enclave等包：

pip install evalscope[sandbox]

配置参数#

在运行评测时，添加use_sandbox和sandbox_type参数以自动启用沙箱环境，其余参数与普通评测相同：

下面是一个在HumanEval上进行模型评测的完整示例代码：

from dotenv import dotenv_values
env = dotenv_values('.env')
from evalscope import TaskConfig, run_task

task_config = TaskConfig(
    model='qwen-plus',
    datasets=['humaneval'],
    api_url='https://dashscope.aliyuncs.com/compatible-mode/v1',
    api_key=env.get('DASHSCOPE_API_KEY'),
    eval_type='openai_api',
    eval_batch_size=5,
    limit=5,
    generation_config={
        'max_tokens': 4096,
        'temperature': 0.0,
        'seed': 42,
    },
    use_sandbox=True, # 启用沙箱
    sandbox_type='docker', # 指定沙箱类型
)

run_task(task_config)

在模型评测过程中，EvalScope会自动启动并管理沙箱环境，确保代码在隔离的环境中运行。控制台有如下输出：

[INFO:ms_enclave] Local sandbox manager started
...

2. 异地使用#

在远程服务器上搭建沙箱环境，并通过API接口进行评测，需远端机器支持Docker。

安装环境#

你需要分别在远端机器和本地机器上进行安装和配置。

远端机器#

在远端机器上安装的环境与上述本地使用方式类似：

安装Docker：请确保您的机器上已安装Docker。您可以从Docker官网下载并安装Docker。
安装沙箱环境相关依赖：在远端机器的Python环境中安装ms-enclave等包：

pip install evalscope[sandbox]

启动沙箱服务器：运行以下命令以启动沙箱服务器：

ms-enclave server --host 0.0.0.0 --port 1234

本地机器#

此时本地机器无需安装Docker，但需要安装EvalScope：

pip install evalscope[sandbox]

配置参数#

在运行评测时，添加use_sandbox参数以自动启用沙箱环境，并在sandbox_manager_config中指定远端沙箱服务器的API地址：

完整示例代码如下：

from dotenv import dotenv_values
env = dotenv_values('.env')
from evalscope import TaskConfig, run_task

task_config = TaskConfig(
    model='qwen-plus',
    datasets=['humaneval'],
    api_url='https://dashscope.aliyuncs.com/compatible-mode/v1',
    api_key=env.get('DASHSCOPE_API_KEY'),
    eval_type='openai_api',
    eval_batch_size=5,
    limit=5,
    generation_config={
        'max_tokens': 4096,
        'temperature': 0.0,
        'seed': 42,
    },
    use_sandbox=True, # 启用沙箱
    sandbox_type='docker', # 指定沙箱类型
    sandbox_manager_config={
        'base_url': 'http://<remote_host>:1234'  # 远端沙箱管理器URL
    },
)

run_task(task_config)

在模型评测过程中，EvalScope会通过API与远端沙箱服务器进行通信，确保代码在隔离的环境中运行。控制台有如下输出：

[INFO:ms_enclave] HTTP sandbox manager started, connected to http://<remote_host>:1234
...

3. 额外支持的沙箱环境#

使用VolcEngine沙箱环境#

EvalScope 还支持使用VolcEngine 沙箱环境，用户可以选择使用VolcEngine提供的沙箱镜像来进行代码评测。

安装Docker：请确保您的机器上已安装Docker。您可以从Docker官网下载并安装Docker。
启动VolcEngine沙箱服务器：启动VolcEngine沙箱服务器的命令如下：

docker run -it -p 8080:8080 vemlp-cn-beijing.cr.volces.com/preset-images/code-sandbox:server-20250609

配置评测参数：使用VolcEngine沙箱环境时，只需将sandbox_type参数设置为volcengine，并确保远端机器上已安装并运行了VolcEngine沙箱服务器。

    ...
    use_sandbox=True, # 启用沙箱
    sandbox_type='volcengine', # 指定使用VolcEngine沙箱
    sandbox_manager_config={
        'base_url': 'http://<remote_host>:8080',  # 远端VolcEngine沙箱管理器URL
        "dataset_language_map": {  # 可选，指定数据集对应的编程语言
                "r": "R",
                "d_ut": "D_ut",
                "ts": "typescript"
            }
    },
    ...

控制台输出如下：

2026-01-20 08:07:22 [debug    ] running command python /tmp/tmpyhpyii_k/tmpf_q4hcoq.py [sandbox.runners.base]
2026-01-20 08:07:23 [debug    ] stop running command python /tmp/tmpv1hp4llu/tmpowprm7uz.py [sandbox.runners.base]
2026-01-20 08:07:23 [debug    ] stop running command python /tmp/tmpeytkvisz/tmpxkproid8.py [sandbox.runners.base]
2026-01-20 08:07:23 [debug    ] stop running command python /tmp/tmpyhpyii_k/tmpf_q4hcoq.py [sandbox.runners.base]
2026-01-20 08:07:23 [debug    ] stop running command python /tmp/tmpqcbuep0x/tmplxz4z9cw.py [sandbox.runners.base]
2026-01-20 08:07:23 [debug    ] stop running command python /tmp/tmp3msgd871/tmplldfzrp9.py [sandbox.runners.base]
...