搜索研究与资料 · 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。
从搜索研究与资料角度评估EvalPlus
把搜索研究与资料需要的条件列清楚，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。
来源能否回看
需要能打开的原始页面或文档位置，不能只有一段无出处的摘要。
范围是否与问题一致
核对日期、地区、对象与定义，不把相似术语当成同一事实。
是否保留反例
把冲突资料和未解决问题放进结论，避免只找支持原想法的证据。
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。
