ais-bench-benchmark 3.1.20260611

A comprehensive toolkit for large model evaluation, commit id: e67dfeb3068480f2b9b17c13c4904ac646aab24b, commit date: Thu Jun 11 16:16:00 2026 +0800

AISBench 评测工具

面向人工智能领域的测试基准工具

---

🌐官方网站 | 📖工具文档 | 👨‍💻开发者文档 | 🔥最新进展| 🤔报告问题 简体中文 | English

❗重要

⭐️收藏项目，你将能第一时间获取 AISBench评测工具 的最新动态～

🔥 最新进展

• [2026.5.30] 支持在AISBench中测评基于Harbor的Terminal-Bench 2.0，并支持mini数据集，大幅降低评测成本🔥🔥🔥。示例与说明见 在AISBench中测评基于Harbor的Terminal-Bench 2.0。
• [2026.5.18] 支持在AISBench中测评SWE-Bench、TAU2-Bench、VBench 1.0的mini子集，大幅降低评测成本🔥🔥🔥。mini子集示例与说明在对应测评文档中搜索mini关键词：
  • 在AISBench中测评SWE-Bench
  • 在AISBench中测评TAU2-Bench
  • 在AISBench中测评VBench
• [2026.5.07] 接入视频生成质量评测基准 VBench 1.0：支持在 GPU / NPU 上对生成视频进行多维度质量/语义指标测评。示例与说明见 在AISBench中测评VBench。 🔥🔥🔥
• [2026.4.14] 接入大模型智能体评测基准τ²-Bench，支持双控环境下的对话、工具调用与合规能力评估，详见在AISBench中测评τ²-Bench。 🔥🔥🔥
• [2026.4.10] 接入首个智能体评测基准SWE-Bench， 支持对智能体模型进行评测，详见在AISBench中测评SWE-Bench。 🔥🔥🔥
• [2026.3.10] 接入首个图像生成类评测基准GEdit-Bench， 支持对图像生成模型进行评测，详见在AISBench中测评GEdit-Bench。 🔥🔥🔥
• [2026.3.1] 支持接入裁判模型进行评估，详见使用裁判模型进行测评。 🔥🔥🔥
• [2026.1.31] 支持 Mooncake Trace trace 数据集性能测评，支持按时间戳调度请求、hash_id 缓存与可复现 prompt 生成，详见数据集 README。🔥🔥🔥
• [2025.12.19] 🎉 AISBench 架构全面重构完成！
  • ✨ 架构升级：对cli、models、inferencer、tasks组件进行了全面重构，支持快速接入新的测试基准，参考📚 开发者文档了解详情！
  • 🖥️ 任务管理界面：全新的任务UI管理界面，支持同时监控每个任务的详细执行状态，包括任务名称、进度、时间成本、状态、日志路径、扩展参数等，让任务执行状态一目了然！
  • ⚡ 并行执行增强：扩展了多任务并行功能，支持多个性能或精度测评任务并行执行，大幅提升评测效率！
  • 📊 新增15+测评基准：新增docvqa、infovqa、ocrbench_v2、omnidocbench、mmmu、mmmu_pro、mmstar、videomme、FewCLUE系列、dapo_math、leval等多模态和文本测评基准！
  • 🤖 新增模型支持：新增vllm/vllm-ascend VL 离线推理模型支持！
  • 🔧 功能增强：新增流式推理开关、自定义URL路径、API key配置；支持API模型推理warmup；支持自定义多模态数据集性能测评；部分数据集支持服务化PPL（困惑度）测评等多项功能！
  • 🏗️ 基础设施优化：重构local models和api models组件，统一流式和非流式实现；重构inferencer组件，采用多进程+协程调用方式，提高并发能力；测试结果数据格式优化为jsonl，降低IO压力；采用错误码统一管理错误信息等！
• [2025.11.25] 支持服务化模型PPL(Perplexity-based，困惑度)模式精度测评。🔥🔥🔥
• [2025.9.08] 支持📚模拟真实业务流量：通过控制请求发送速率波动，感知在模拟真实场景下服务化的性能测评结果！🔥🔥🔥
• [2025.8.28] 支持📚多次独立重复推理精度场景，计算pass@k/cons@k/avg@n等不同维度的精度指标！🔬🔬🔬
• [2025.8.19]
  • 新增Function Call专用模型配置 vllm_api_function_call_chat，支持 BFCL 函数调用能力评估 🔥🔥🔥
  • 提供工具支持的性能测试规格说明，优化推理集群场景工具内存占用及性能计算。最大规格场景（250K条请求，输入/输出token 4K/4K）内存占用降低60%，内存占用小于64GB；性能结果计算效率提升20倍。🚀🚀🚀
• [2025.7.15]
  • 支持sharegpt和mtbench多轮对话数据集服务化性能测评和可视化，测评方式见📚多轮对话测评指南！🔥🔥🔥
  • 性能评测场景使用自定义数据集，支持按请求粒度指定最大输出长度！🔥🔥🔥
• [2025.6.19] 支持📚性能评测结果可视化，辅助定位推理服务性能瓶颈！🔥🔥🔥
• [2025.6.12] 支持textvqa、videobench和vocalsound等多模态数据集的精度和性能评测！🔥🔥🔥
• [2025.6.6] AISBench支持稳态性能评测，获取系统真实最佳性能，参考📚 服务化稳定状态性能测试进行快速上手! 🔥🔥🔥
• [2025.5.16] 支持3W+高并发服务化性能评测，📚 性能指标对齐🔗 vllm benchmark，参考📚 服务化性能测评指南了解详情！🔥🔥🔥
• [2025.4.30] 精度评测支持断点续测和失败用例重测，大幅提高精度评测鲁棒性，参考📚 中断续测 & 失败用例重测进行快速上手! 🔥🔥🔥

🌏 简介

AISBench Benchmark 是基于 OpenCompass 构建的模型评测工具，兼容 OpenCompass 的配置体系、数据集结构与模型后端实现，并在此基础上扩展了对服务化模型的支持能力。

当前，AISBench 支持两大类推理任务的评测场景：

🔍 精度测评：支持对服务化模型和本地模型在各类问答、推理基准数据集上的精度验证，覆盖文本、多模态等多种场景。

🚀 性能测评：支持对服务化模型的延迟与吞吐率评估，并可进行压测场景下的极限性能测试，支持稳态性能评测和真实业务流量模拟。

🛠️ 工具安装

✅ 环境要求

Python 版本：仅支持 Python 3.10、 3.11 或 3.12

不支持 Python 3.9 及以下版本，也不兼容 Python 3.13 及以上版本

推荐使用 Conda 管理环境，以避免依赖冲突

conda create --name ais_bench python=3.10 -y
conda activate ais_bench

📦 安装方式（源码安装）

AISBench 当前仅提供源码安装方式，请确保安装环境联网：

git clone https://github.com/AISBench/benchmark.git
cd benchmark/
pip3 install -e ./ --use-pep517

该命令会自动安装核心依赖。 执行ais_bench -h，如果打印出AISBench评测工具的所有命令行的帮助信息，说明安装成功

⚙️ 服务化框架支持（可选）

若需评估服务化模型（如 vLLM、Triton 等），需额外安装相关依赖：

pip3 install -r requirements/api.txt
pip3 install -r requirements/extra.txt

⚙️ Huggingface多模态模型/vllm多模态离线推理支持（可选）

pip3 install -r requirements/hf_vl_dependency.txt

🔗 Berkeley Function Calling Leaderboard (BFCL) 测评支持

pip3 install -r requirements/datasets/bfcl_dependencies.txt --no-deps

重要提示：由于 bfcl_eval 会自动安装 pathlib 库，而 Python 3.5+ 环境已内置该库，为避免版本冲突，请务必使用 --no-deps 参数跳过额外依赖的自动安装。

🔗 OCRBench_v2数据集测评支持（可选）

pip3 install -r requirements/datasets/ocrbench_v2.txt

如需进一步配置、使用 CLI 或 Python 脚本发起评测任务，请参考快速入门指南。

❌ 工具卸载

如需卸载 AISBench Benchmark，可执行以下命令：

pip3 uninstall ais_bench_benchmark

🚀 快速入门

命令含义

AISBench命令执行的单个或多个评测任务是由模型任务（单个或多个）、数据集任务（单个或多个）和结果呈现任务（单个）的组合定义的，AISBench的其他命令行则规定了评测任务的场景（精度评测场景、性能评测场景等）。以如下AISBench命令为例：

ais_bench --models vllm_api_general_chat --datasets demo_gsm8k_gen_4_shot_cot_chat_prompt --summarizer example

此命令没有指定其他命令行，默认是一个精度评测场景的任务，其中：

• --models指定了模型任务，即vllm_api_general_chat模型任务。
• --datasets指定了数据集任务，即demo_gsm8k_gen_4_shot_cot_chat_prompt数据集任务。
• --summarizer指定了结果呈现任务，即example结果呈现任务(不指定--summarizer精度评测场景默认使用example任务)，一般使用默认，不需要在命令行中指定，后续命令不指定。

多任务测评请参考：📚 精度场景的多任务测评 和 性能场景的多任务测评。

如需自行组合测评任务，实现更灵活的测评方式，可参考：📚 自定义配置文件运行AISBench。

任务含义查询(可选)

所选模型任务vllm_api_general_chat、数据集任务demo_gsm8k_gen_4_shot_cot_chat_prompt和结果呈现任务example的具体信息(简介，使用约束等)可以分别从如下链接中查询含义：

• --models: 📚 服务化推理后端
• --datasets: 📚 开源数据集 → 📚 详细介绍
• --summarizer: 📚 结果汇总任务

运行命令前置准备

• --models: 使用vllm_api_general_chat模型任务，需要准备支持v1/chat/completions子服务的推理服务，可以参考🔗 VLLM启动OpenAI 兼容服务器启动推理服务
• --datasets: 使用demo_gsm8k_gen_4_shot_cot_chat_prompt数据集任务，需要准备gsm8k数据集，可以从🔗 opencompass 提供的gsm8k数据集压缩包下载。将解压后的gsm8k/文件夹部署到AISBench评测工具根路径下的ais_bench/datasets文件夹下。

任务对应配置文件修改

每个模型任务、数据集任务和结果呈现任务都对应一个配置文件，运行命令前需要修改这些配置文件的内容。这些配置文件路径可以通过在原有AISBench命令基础上加上--search来查询，例如：

ais_bench --models vllm_api_general_chat --datasets demo_gsm8k_gen_4_shot_cot_chat_prompt --search

⚠️ 注意： 执行带search命令会打印出任务对应的配置文件的绝对路径。

执行查询命令可以得到如下查询结果：

╒══════════════╤═══════════════════════════════════════╤════════════════════════════════════════════════════════════════════════════════════════════════════════════════════════════════╕
│ Task Type    │ Task Name                             │ Config File Path                                                                                                               │
╞══════════════╪═══════════════════════════════════════╪════════════════════════════════════════════════════════════════════════════════════════════════════════════════════════════════╡
│ --models     │ vllm_api_general_chat                 │ /your_workspace/benchmark/ais_bench/benchmark/configs/models/vllm_api/vllm_api_general_chat.py                                 │
├──────────────┼───────────────────────────────────────┼────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────┤
│ --datasets   │ demo_gsm8k_gen_4_shot_cot_chat_prompt │ /your_workspace/benchmark/ais_bench/benchmark/configs/datasets/demo/demo_gsm8k_gen_4_shot_cot_chat_prompt.py                   │
╘══════════════╧═══════════════════════════════════════╧════════════════════════════════════════════════════════════════════════════════════════════════════════════════════════════════╛

• 快速入门中数据集任务配置文件demo_gsm8k_gen_4_shot_cot_chat_prompt.py不需要做额外修改，数据集任务配置文件内容介绍可参考📚 配置开源数据集

模型配置文件vllm_api_general_chat.py中包含了模型运行相关的配置内容，是需要依据实际情况修改的。快速入门中需要修改的内容用注释标明。

from ais_bench.benchmark.models import VLLMCustomAPIChat

models = [
    dict(
        attr="service",
        type=VLLMCustomAPIChat,
        abbr='vllm-api-general-chat',
        path="",                    # 指定模型序列化词表文件绝对路径（精度测试场景一般不需要配置）
        model="",        # 指定服务端已加载模型名称，依据实际VLLM推理服务拉取的模型名称配置（配置成空字符串会自动获取）
        stream=False,
        request_rate=0,           # 请求发送频率，每1/request_rate秒发送1个请求给服务端，小于0.1则一次性发送所有请求
        use_timestamp=False,      # 是否按数据集中 timestamp 调度请求，适用于含 timestamp 的数据集（如 Mooncake Trace）
        retry=2,                  # 每个请求最大重试次数
        api_key="",               # 自定义API key，默认是空字符串
        host_ip="localhost",      # 指定推理服务的IP
        host_port=8080,           # 指定推理服务的端口
        url="",                     # 自定义访问推理服务的URL路径(当base url不是http://host_ip:host_port的组合时需要配置, 配置后host_ip和host_port会被忽略)
        max_out_len=512,          # 推理服务输出的token的最大数量
        batch_size=1,               # 请求发送的最大并发数
        trust_remote_code=False,    # tokenizer是否信任远程代码，默认False;
        generation_kwargs=dict(   # 模型推理参数，参考VLLM文档配置，AISBench评测工具不做处理，在发送的请求中附带
            temperature=0.01,
            ignore_eos=False,
        )
    )
]

执行命令

修改好配置文件后，执行命令启动服务化精度评测：

ais_bench --models vllm_api_general_chat --datasets demo_gsm8k_gen_4_shot_cot_chat_prompt

查看任务执行细节

执行AISBench命令后，任务管理界面会在命令行实时刷新显示任务执行状态（键盘按"P"键可以暂停/恢复刷新，用于复制看板信息，再按"P"键可以继续刷新）。任务管理界面支持同时监控多个任务的详细执行状态，包括任务名称、进度、时间成本、状态、日志路径、扩展参数等信息，例如：

Base path of result&log : outputs/default/20250628_151326
Task Progress Table (Updated at: 2025-11-06 10:08:21)
Page: 1/1  Total 2 rows of data
Press Up/Down arrow to page,  'P' to PAUZE/RESUME screen refresh, 'Ctrl + C' to exit

+----------------------------------+-----------+-------------------------------------------------+-------------+-------------+-------------------------------------------------+------------------------------------------------+
| Task Name                        |   Process | Progress                                        | Time Cost   | Status      | Log Path                                        | Extend Parameters                              |
+==================================+===========+=================================================+=============+=============+=================================================+================================================+
| vllm-api-general-chat/demo_gsm8k |    547141 | [###############               ] 4/8 [0.5 it/s] | 0:00:11     | inferencing | logs/infer/vllm-api-general-chat/demo_gsm8k.out | {'POST': 5, 'RECV': 4, 'FINISH': 4, 'FAIL': 0} |
+----------------------------------+-----------+-------------------------------------------------+-------------+-------------+-------------------------------------------------+------------------------------------------------+

任务执行的细节日志会不断落盘在默认的输出路径，这个输出路径在实时刷新的看板上显示，即Log Path。Log Path（logs/infer/vllm-api-general-chat/demo_gsm8k.out）是在Base path（outputs/default/20250628_151326）下的路径，以上述的看板信息为例，任务执行的详细日志路径为：

# {Base path}/{Log Path}
outputs/default/20250628_151326/logs/infer/vllm-api-general-chat/demo_gsm8k.out

💡 如果希望执行过程中将详细日志直接打印，执行命令时可以加上 --debug: ais_bench --models vllm_api_general_chat --datasets demo_gsm8k_gen_4_shot_cot_chat_prompt --debug

Base path（outputs/default/20250628_151326）下包含了所有任务的执行细节，命令执行结束后所有的执行细节如下：

20250628_151326/
├── configs # 模型任务、数据集任务和结构呈现任务对应的配置文件合成的一个配置
│   └── 20250628_151326_29317.py
├── logs # 执行过程中日志，命令中如果加--debug，不会有过程日志落盘（都直接打印出来了）
│   ├── eval
│   │   └── vllm-api-general-chat
│   │       └── demo_gsm8k.out # 基于predictions/文件夹下的推理结果的精度评测过程的日志
│   └── infer
│       └── vllm-api-general-chat
│           └── demo_gsm8k.out # 推理过程日志
├── predictions
│   └── vllm-api-general-chat
│       └── demo_gsm8k.json # 推理结果（推理服务返回的所有输出）
├── results
│   └── vllm-api-general-chat
│       └── demo_gsm8k.json # 精度评测计算的原始分数
└── summary
    ├── summary_20250628_151326.csv # 最终精度分数呈现（表格格式）
    ├── summary_20250628_151326.md # 最终精度分数呈现（markdown格式）
    └── summary_20250628_151326.txt # # 最终精度分数呈现（文本格式）

⚠️ 注意： 不同评测场景落盘任务执行细节内容不同，具体请参考具体评测场景的指南。

输出结果

因为只有8条数据，会很快跑出结果，结果显示的示例如下

dataset                 version  metric   mode  vllm_api_general_chat
----------------------- -------- -------- ----- ----------------------
demo_gsm8k              401e4c   accuracy gen                   62.50

更多教程请查看我们的👉文档

🔜 即将推出

• [已完成] ✅ AISBench完成全面重构，支持在AISBench框架下🔌插件化集成前沿测试基准，以应对业界愈发复杂多样化的测试任务；并且显著提高易用性。
• [规划中] 持续扩展业界前沿的多模态测评能力，支持更多多模态数据集和评测场景。
• [规划中] 提供业界主流Agent测评能力，支持Agent任务链和工具调用等复杂场景的评测。

🤝 致谢

• 本项目代码基于🔗 OpenCompass做拓展开发。
• 本项目部分数据集和提示词实现修改自simple-evals。
• 本项目代码中打点的性能指标与VLLM Benchmark对齐。
• 本项目的BFCL函数调用能力评估功能基于 Berkeley Function Calling Leaderboard (BFCL) 实现。

🔝Back to top