llm-evaluation-toolkit

LLMの出力を評価するための軽量Pythonライブラリです。BLEU・ROUGE・意味的類似度・LLM-as-a-Judgeの4種類の評価指標を、統一されたAPIで利用できます。

A lightweight Python toolkit for evaluating LLM outputs. Supports BLEU, ROUGE, semantic similarity, and LLM-as-a-Judge — all with a unified API.

---

なぜ llm-evaluation-toolkit なのか？ / Why llm-evaluation-toolkit?

既存の評価ライブラリは研究用途に特化していたり、セットアップが複雑すぎる問題がありました。このライブラリは、実際の開発ワークフローでLLMの出力を素早く評価したい開発者のために設計されています。

Existing evaluation libraries are either too research-focused or require complex setup. This toolkit is designed for developers who need to evaluate LLM outputs quickly in real workflows.

• 統一API — すべての評価指標が同じインターフェースを持つ / Unified API — all metrics share the same interface
• 複数プロバイダ対応 — OpenAI・Anthropicをすぐに利用可能 / Multiple providers — OpenAI and Anthropic out of the box
• 正解テキスト不要 — LLM-as-a-Judgeは参照テキストなしで評価可能 / No reference needed — LLM-as-a-Judge works without ground truth
• 軽量設計 — 必要な機能だけインストールできる / Lightweight — install only what you need

---

インストール / Installation

# 基本インストール / Base installation
pip install llm-evaluation-toolkit

# OpenAI対応 / With OpenAI support
pip install llm-evaluation-toolkit[openai]

# Anthropic対応 / With Anthropic support
pip install llm-evaluation-toolkit[anthropic]

# 意味的類似度対応 / With semantic similarity support
pip install llm-evaluation-toolkit[semantic]

# 全機能 / All features
pip install llm-evaluation-toolkit[openai,anthropic,semantic]

---

クイックスタート / Quick Start

基本的な評価 / Basic evaluation

from llm_eval import BLEUMetric, ROUGEMetric, SemanticSimilarityMetric

predictions = [
    "The cat is on the mat",
    "A dog was running in the park",
]
references = [
    "A cat is sitting on a mat",
    "The dog ran through the park",
]

bleu = BLEUMetric()
rouge = ROUGEMetric()
semantic = SemanticSimilarityMetric()

print(bleu.compute(predictions, references))
# EvalResult(metric=bleu, score=0.4231)

print(rouge.compute(predictions, references))
# EvalResult(metric=rouge, score=0.6842)

print(semantic.compute(predictions, references))
# EvalResult(metric=semantic_similarity, score=0.8923)

正解テキストなしで評価（LLM-as-a-Judge） / Evaluate without reference texts

from llm_eval import LLMJudgeMetric

# 正解テキストなしで出力品質を評価できる
# Evaluate output quality without any reference text
judge = LLMJudgeMetric(judge_model="gpt-4o-mini")

questions = ["日本の首都はどこですか？"]
answers = ["日本の首都は東京です。政治・経済・文化の中心地として機能しています。"]

result = judge.compute(answers, questions)
print(result)
# EvalResult(metric=llm_judge, score=0.9)

複数の評価指標を一括実行 / Run multiple metrics at once

from llm_eval import BaseEvaluator, BLEUMetric, ROUGEMetric, SemanticSimilarityMetric

evaluator = BaseEvaluator(metrics=[
    BLEUMetric(),
    ROUGEMetric(),
    SemanticSimilarityMetric(),
])

results = evaluator.evaluate(predictions, references)
for metric_name, result in results.items():
    print(f"{metric_name}: {result.score:.4f}")

LLMプロバイダとの連携 / Use with LLM providers

from llm_eval import OpenAIProvider, GenerationConfig, BLEUMetric

# LLMで回答を生成してそのまま評価する
# Generate predictions from LLM and evaluate directly
provider = OpenAIProvider(
    model="gpt-4o-mini",
    config=GenerationConfig(temperature=0.0, max_tokens=256),
)

questions = ["機械学習とは何ですか？", "ニューラルネットワークを説明してください。"]
predictions = provider.generate_batch(questions)

references = [
    "機械学習はデータから学習するAIの一分野です。",
    "ニューラルネットワークは人間の脳を模倣した計算システムです。",
]

result = BLEUMetric().compute(predictions, references)
print(result)

ベンチマークデータセットの利用 / Load benchmark datasets

from llm_eval import DatasetLoader

# 組み込みベンチマークを使う / Use built-in benchmarks
squad = DatasetLoader.load_squad(max_samples=50)
print(squad)
# EvalDataset(name=squad, size=50)

# 自前データを使う / Use your own data
dataset = DatasetLoader.from_dict(
    name="my_dataset",
    questions=["質問1", "質問2"],
    references=["回答1", "回答2"],
)

---

対応評価指標 / Supported Metrics

指標 / Metric	正解テキスト / Reference	適したタスク / Best for
BLEU	必要 / Yes	翻訳・固定フォーマット生成 / Translation, fixed-format generation
ROUGE	必要 / Yes	要約 / Summarization
Semantic Similarity	必要 / Yes	言い換えを含むタスク / Paraphrase-heavy tasks
LLM-as-a-Judge	不要 / No	自由記述生成 / Open-ended generation

---

対応プロバイダ / Supported Providers

プロバイダ / Provider	インストール / Install	モデル例 / Models
OpenAI	pip install llm-evaluation-toolkit[openai]	gpt-4o, gpt-4o-mini
Anthropic	pip install llm-evaluation-toolkit[anthropic]	claude-opus-4-6, claude-haiku-4-5

---

環境変数 / Environment Variables

OPENAI_API_KEY=your_openai_api_key
ANTHROPIC_API_KEY=your_anthropic_api_key

---

開発環境のセットアップ / Development Setup

git clone https://github.com/swoswoyuu1156/llm-evaluation-toolkit.git
cd llm-evaluation-toolkit
python -m venv .venv

# Mac/Linux
source .venv/bin/activate
# Windows
.venv\Scripts\activate

pip install -e ".[dev]"

# テスト実行 / Run tests
pytest tests/ -v --cov=src/llm_eval

# リント実行 / Run linter
ruff check src/ tests/

---

コントリビューション / Contributing

コントリビューションを歓迎します！まず CONTRIBUTING.md をご確認ください。

Contributions are welcome! Please read CONTRIBUTING.md first.

---

ライセンス / License

MIT License — 詳細は LICENSE をご確認ください。

MIT License — see LICENSE for details.

デモ / Demo

👉 HuggingFace Spaces でデモを試す

関連記事 / Articles

• LLMの出力を簡単に評価できるPythonライブラリを作りました（Zenn）
• LLMの出力を簡単に評価できるPythonライブラリを作りました（Qiita）