LLM评估测试框架DeepEval 可离线评估大模型性能

DeepEval是一个用于对语言模型（LLM）应用进行评估和单元测试的框架。它提供了各种指标，可以测试语言模型应用生成的回复在相关性、一致性、无偏见性和无毒性等方面的表现。DeepEval使得机器学习工程师可以通过持续集成/持续交付(CI/CD)流程快速评估语言模型应用的性能。

项目地址:https://github.com/confident-ai/deepeval

DeepEval提供了Python友好的离线评估方法，确保你的流水线准备上线。它就像是流水线的“Pytest”，使得流水线的生产化和评估过程变得简单明了，就像通过所有的测试一样。

DeepEval的Web UI允许工程师分析和查看他们的评估结果。

DeepEval的特色功能包括:

- 测试回复的相关性、事实一致性、有毒性、偏见性等

- Web UI查看测试、实现、比较结果

- 通过合成问题-回答自动评估

安装使用DeepEval非常简单，只需要通过pip安装:

```

pip install deepeval

```

然后按照快速入门文档，你可以在1分钟内上手使用。

对个别测试用例，定义只需要几行代码。例如:

```python

from deepeval.metrics.factual_consistency import FactualConsistencyMetric

from deepeval.test_case import LLMTestCase

from deepeval.run_test import assert_test

# 定义测试用例

test_case = LLMTestCase（

query="What is the capital of France?"，

expected_output="The capital of France is Paris."

）

# 定义使用的指标

metric = FactualConsistencyMetric（）

# 执行测试

assert_test（test_case， metrics=[metric]）

```

这样就可以构建一个简单的测试，测试语言模型对问题"What is the capital of France?"的回复是否符合事实。

DeepEval内置了各种指标，也支持自定义指标。它可以非常方便地集成到现有的流水线和框架中，比如Langchain、LLAMA等。同时，DeepEval也提供了合成问题生成功能，可以快速针对特定领域评估语言模型。

总之，DeepEval目的是让编写、运行、自动化语言模型的测试变得如同编写Python中的单元测试一样简单直观。它很好地满足了机器学习工程中对结构化反馈的需求，可以显著提高工程师的迭代速度。

如果你在开发聊天机器人、语言模型应用，DeepEval绝对是一个提高工程效率的好帮手。

核心功能:

- 测试回复的相关性、一致性、无偏见性、无毒性

- 多个内置评估指标

- 支持自定义评估指标

- 一键集成到现有机器学习流水线

- 合成问题自动评估

- 提供Web UI分析和展示结果

- Python友好，编写测试用例像写单元测试