可视化#
EvalScope 提供了基于 Web 的可视化工具，支持对单个或多个模型的评测结果进行深入分析和对比，兼容数据集混合评测的展示，并支持在线评测任务提交与监控。
重要
该可视化工具专用于展示模型评测结果，不适用于模型压测结果。如需可视化压测报告，请参考压测结果可视化指南。
安装与启动#
1. 安装依赖#
安装可视化所需的依赖库：
pip install 'evalscope[service]' -U
备注
可视化功能需要 evalscope>=0.10.0 生成的评测报告。若版本过低，请先升级并重新运行评测。
2. 启动服务#
运行以下命令启动可视化 Web 服务：
evalscope service
服务启动后，在浏览器中打开打印的 Dashboard URL（默认为 http://127.0.0.1:9000）即可访问。
支持的命令行参数如下：
--host：服务器监听地址，默认为0.0.0.0。--port：服务器端口，默认为9000。--outputs：指定评测报告所在的根目录，默认为./outputs。--debug：启用调试模式。
3. 界面设置#
Web 界面顶部导航栏右侧提供以下快捷操作：
语言切换：点击语言按钮可在中文和 English 之间切换界面语言。
主题切换：点击日/月图标可在浅色模式和深色模式之间切换。
快速体验#
我们提供了一份包含多个模型和数据集的评测样例，让您能快速体验可视化功能：
git clone https://github.com/modelscope/evalscope
evalscope service --outputs examples/viz
该样例包含了 qwen-plus 和 qwen3-max 模型在 GSM8K、GPQA、IFEval、iQuiz 等数据集上的评测结果。
功能介绍#
仪表盘#
仪表盘是进入可视化工具后的首页，提供评测结果的宏观概览。
目录扫描：在页面顶部的路径栏中输入评测报告所在的根目录，点击扫描按钮即可自动发现该目录下的所有评测报告。
KPI 卡片：扫描完成后，页面显示四张关键指标卡片：
评测总数：已发现的评测报告数量，点击可切换到时间线视图。
评测模型数：涉及的不同模型数量，点击可切换到按模型分组视图。
数据集数：涉及的不同数据集数量，点击可切换到按数据集分组视图。
最近评测时间：最新一次评测的时间戳，点击可跳转到该报告详情。
评测列表：支持三种视图模式切换：
时间线视图：按时间顺序展示每条评测记录，每张卡片显示模型名称、综合得分、时间戳和各数据集得分标签。
按模型分组：将评测记录按模型名称分组折叠展示，显示每组最佳得分和评测次数。
按数据集分组：将评测记录按数据集名称分组折叠展示，显示每组最佳得分和评测次数。
此外，列表区域还提供搜索框（按模型名或数据集名搜索）和排序选项（按时间、得分、模型名排序）。
评测报告列表#
报告列表页提供更精细的报告管理和筛选功能，支持多选报告进行对比分析。
筛选条件：提供以下筛选维度：
关键词搜索：按报告名称模糊搜索。
模型筛选：多选下拉框，按模型名称过滤。
数据集筛选：多选下拉框，按数据集名称过滤。
得分范围：设置最低和最高得分区间。
排序方式：按时间、得分、模型名、数据集名排序，支持升序/降序切换。
多选与对比：每张报告卡片左侧有复选框，选中后可执行以下操作：
对比：选中 2-3 份报告后，点击对比按钮进入多模型对比页面。
查看 HTML 报告：选中 1 份报告后，可在浏览器新标签页中打开该报告的 HTML 版本。
分页：报告列表支持分页浏览，每页展示 20 条记录。
单模型评测详情#
点击任意评测报告可进入详情页，查看单个模型在各数据集上的详细表现。详情页由报告头部、数据集导航和三个功能标签页组成。
概览标签#
报告头部展示模型名称、关联数据集列表（可点击切换）、综合得分和样本总数，并提供查看 HTML 报告和返回列表的快捷按钮。
概览标签提供模型在各数据集上的整体表现汇总：
统计概览：以环形进度图和数字卡片展示平均得分、最佳/最差数据集及其得分、总样本数。
数据集得分表：可排序表格，列出每个数据集的名称、得分（含进度条和数值）和样本数。点击数据集名称可跳转到该数据集的详情标签。
雷达图：以雷达图形式直观展示模型在各数据集上的能力维度分布。
任务配置：可折叠区域，以 JSON 查看器展示本次评测的任务配置信息。
详情标签#
详情标签深入展示选定数据集的子集得分和分析结果：
综合得分：以大号数字和环形进度图展示该数据集的整体得分。
子集得分表：可排序表格，列出每个子集的名称、指标（如存在）、得分和样本数。点击子集名称可直接跳转到预测标签中该子集的样本浏览。
AI 分析：以 Markdown 格式渲染的智能分析报告，对该数据集的表现进行解读。
性能指标：当评测包含性能数据时，展示延迟分布（含百分位表）、TTFT（首 Token 时间）、TPOT（每 Token 时间）和 Token 用量统计。
预测标签#
预测标签逐条浏览每个样本的详细预测结果，是最细粒度的分析工具：
筛选与导航：
子集选择器：下拉选择当前数据集的子集。
得分阈值：设置判定通过/失败的分数阈值，默认 0.99。
通过状态过滤：All / Pass / Fail 三个按钮快速筛选样本，每个按钮显示对应数量。
样本搜索：支持按样本索引号（Index）和消息 ID（Message ID）精确搜索跳转。
样本翻页：左右箭头按钮或键盘方向键逐条浏览，显示当前页码和总页数。
对话视图：每个样本以聊天气泡形式展示，支持以下内容类型：
系统提示：可折叠的顶部横幅，展示 System Prompt 内容。
用户消息：蓝色气泡，支持文本、图片（点击可放大查看）、音频等富媒体内容。多轮对话时显示轮次标签。
助手回复：绿色气泡，支持文本、推理过程（可折叠）、工具调用（可折叠）和性能指标。多轮对话时显示轮次标签。
工具结果：可折叠的工具返回结果区域。
消息 ID：每条消息右上角显示可复制的消息 ID 标签。
内容复制：每条消息提供一键复制按钮。
评测结果面板：对话视图下方展示评测判定详情：
提取答案：模型输出中提取的预测答案（与生成内容不同时显示）。
标准答案：预期的正确答案。
得分：数值得分及通过/失败标识。
评分详情：可折叠的 JSON 视图，展示评分计算的完整信息。
元数据：可折叠的 JSON 视图，展示样本的附加元信息。
小技巧
当评测启用 Agent 评测 时，预测视图会自动检测样本的 agent_trace 并按 step 分组渲染 Agent Trace 视图（含工具调用、环境命令、nudge、错误等）。完整说明与示意图见 Agent 评测 → Trace 可视化。
数据集导航#
在详情和预测标签中，左侧提供数据集导航侧边栏（移动端为顶部横向滚动条），可快速切换当前查看的数据集。
多模型对比#
在报告列表页选中 2-3 份报告后点击“对比按钮”，即可进入多模型对比页面。对比页面支持最多 3 个模型的横向对比分析。
得分对比#
雷达图：以多边形雷达图直观展示各模型在不同数据集上的能力维度对比。
得分对比表：以数据集为行、模型为列的表格，每个单元格以颜色编码显示得分百分比，最高分标记高亮。表格底部计算各模型的平均得分。
预测对比#
数据集与子集选择：选择共同数据集和子集进行逐样本对比。
得分阈值：设置通过/失败的判定阈值。
按模型过滤：每个模型独立设置 Any / Pass / Fail 三态过滤器，支持 All Pass、All Fail 等快捷预设。
通过率标签：每个模型显示当前过滤条件下的通过率百分比。
并排对话视图：以多列布局并排展示同一题目下各模型的预测结果，每列以不同颜色标识，顶部显示模型名称和得分。支持键盘方向键翻页。
统计栏：显示过滤后的样本数和总样本数，并提供翻页控件。
模型管理#
对比页面顶部的模型管理区域支持以下操作：
查看已选模型：以标签形式展示当前参与对比的模型。
移除模型：点击标签上的移除按钮可移除某个模型（至少保留 2 个）。
添加模型：点击添加按钮输入报告名称添加新模型（最多 3 个）。
评测基准浏览#
评测基准页面提供 EvalScope 支持的所有评测数据集的浏览与检索功能。
分类标签：通过 All / Text / Multimodal 标签切换查看文本类或多模态类数据集。
关键词搜索：按名称或描述搜索数据集。
标签筛选：点击标签按钮按能力维度（如 math、reasoning、code 等）筛选数据集。
数据集卡片：每张卡片展示数据集名称、标识符、描述摘要、样本数、子集数、Few-shot 数、标签和指标。
详情弹窗：点击卡片可打开模态窗口，展示数据集的完整 Markdown 描述、论文链接等详细信息。
在线评测与压测#
Web 界面支持直接提交评测和压测任务，无需命令行操作。
评测任务#
评测任务页面提供配置表单和任务监控面板：
配置表单：填写模型、数据集、生成参数等评测配置后提交任务。
任务监控：实时显示任务进度条和运行日志，任务完成后可直接查看评测报告。
压测任务#
压测任务页面提供配置表单和任务监控面板：
配置表单：填写模型连接信息和压测参数后提交任务。
任务监控：实时显示压测进度和日志，任务完成后可直接查看压测报告。