❗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～
- [2026.8.19] 新增推理响应异常检测功能：在推理评测的同时自动检测大模型响应中的生成异常，覆盖重复、乱码、生僻字、NaN 四类异常；命令行增加
--response-anomaly即可零配置开启，检测结果按数据集落盘为 JSONL 供独立审计，不影响原有精度与性能指标。🔥🔥🔥 配置与使用详见 推理响应异常检测。 - [2026.6.29] 接入文生图模型多维评测基准 OneIG-Benchmark：围绕对齐性、文本渲染、推理能力、风格表现、多样性五个维度对生成图片进行综合评估，支持 EN/ZH 双语言模式，采用 LLM-as-Judge + 专用小模型 的混合评测方式，与官方评测方法精度差异 < 1%。🔥🔥🔥 示例与说明见 在AISBench中测评OneIG-Benchmark。
- [2026.6.15] 新增 Docker 镜像多架构支持：AISBench Benchmark 镜像同步支持 x86_64 与 aarch64 (ARM) 架构，覆盖 Ubuntu 22.04/24.04、openEuler 22.03/24.03 与 Python 3.10/3.11/3.12 多种组合；同时 AISBench 已发布到 PyPI，可通过
pip install ais_bench_benchmark/pip install ais_bench_benchmark[full]一键安装。镜像说明见 Docker 镜像概览。🚀🚀🚀 - [2026.6.11] 接入长时域软件工程智能体评测基准 SWE-Bench Pro：支持在 x86 环境下对智能体模型在长时域软件工程任务上的表现进行评测，提供
full/mini数据集以及mini-swe-agentinfer 与 SWE-Bench Pro harness eval 的端到端流程。示例与说明见 在AISBench中测评SWE-Bench Pro。🔥🔥🔥 - [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： - [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]
- [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! 🔥🔥🔥
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。
✅ 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_benchAISBench 当前推荐使用源码安装方式，以便获得更好的自定义配置文件使用体验，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.txtAISBench 也提供了一键安装方式，适用于基于预置配置文件的快速体验和评估场景，请确保安装环境联网。
- 基本功能的安装命令如下：
pip3 install ais_bench_benchmark- 全量功能的安装命令如下：
pip3 install ais_bench_benchmark[full]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。
如需卸载 AISBench Benchmark，可执行以下命令：
pip3 uninstall ais_bench_benchmark- 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 - 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。
| ⭐ 推荐：使用自定义配置文件 | 备选：使用命令行参数(原快速入门方式) |
|---|---|
| 修改一个文件，集中管理所有配置，在任意路径写配置 | 通过 --models --datasets 参数指定 |
| 一次编写，多次复用 | 每次运行需输入完整命令 |
| 支持 Python 全部语法，灵活扩展 | 仅支持笛卡尔积组合 |
⭐ 推荐：使用自定义配置文件
AISBench 提供了预置的自定义配置文件 model_api_test_zh_cn.py，将常见的推理服务化测试配置（模型选择、服务地址、端口、生成参数等）集中在一个文件中，无需分别查找和修改多个配置文件。该文件本质上是 Python 脚本，支持所有 Python 语法，你可以自由扩展。
打开 ais_bench/configs/model_api_test_zh_cn.py，根据实际情况修改以下配置（如果是pip3 install ais_bench_benchmark方式直接安装工具，可以在任意路径自行创建model_api_test_zh_cn.py，将以下配置内容写入该文件）：
from mmengine.config import read_base
with read_base():
# 模型任务，选择其中一个，其他模型任务参考：https://ais-bench-benchmark-rf.readthedocs.io/zh-cn/latest/base_tutorials/all_params/models.html 获取更多模型任务
# vllm_api_general 是基础模型，仅支持文本生成
from ais_bench.benchmark.configs.models.vllm_api.vllm_api_general import models as vllm_api_general
# vllm_api_general_chat 是对话模型，支持对话
from ais_bench.benchmark.configs.models.vllm_api.vllm_api_general_chat import models as vllm_api_general_chat
# vllm_api_stream_chat 是流式对话模型，支持流式对话
from ais_bench.benchmark.configs.models.vllm_api.vllm_api_stream_chat import models as vllm_api_stream_chat
# vllm_api_general_stream 是流式模型，支持流式生成
from ais_bench.benchmark.configs.models.vllm_api.vllm_api_general_stream import models as vllm_api_general_stream
# 数据集任务，参考：https://ais-bench-benchmark-rf.readthedocs.io/zh-cn/latest/get_started/datasets.html 获取更多数据集任务
from ais_bench.benchmark.configs.datasets.demo.demo_gsm8k_gen_4_shot_cot_chat_prompt import gsm8k_datasets as datasets
models = vllm_api_general_chat
models[0]["path"] = "" # 指定模型序列化词表文件的绝对路径（精度测试场景一般不需要配置）
models[0]["model"] = "" # 指定服务端加载的模型名称，根据 VLLM 推理服务实际拉取的模型名称配置（配置为空字符串则自动获取）
models[0]["request_rate"] = 0 # 请求发送频率：每 1/request_rate 秒向服务端发送 1 条请求；小于 0.001 时一次性发送所有请求
models[0]["api_key"] = "" # 自定义 API key，默认为空字符串
models[0]["host_ip"] = "localhost" # 指定推理服务的 IP
models[0]["host_port"] = 8080 # 指定推理服务的端口
models[0]["url"] = "" # 自定义访问推理服务的 URL 路径（当基础 URL 不是 http://host_ip:host_port 的组合时需要配置；配置后 host_ip 和 host_port 将被忽略）
models[0]["max_out_len"] = 512 # 推理服务输出的最大 token 数
models[0]["batch_size"] = 1 # 发送请求的最大并发数
models[0]["trust_remote_code"] = False # tokenizer 是否信任远程代码，默认为 False
models[0]["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，直接附加到发送的请求中
temperature=0.01,
ignore_eos=False,
)
# datasets[0]["path"] = ais_bench/datasets/gsm8k # 指定数据集目录的绝对路径（精度测试场景需要配置）
work_dir = 'outputs/default/' # 指定任务结果和日志的保存工作目录（默认为 outputs/default/）💡 配置文件中已预置了常用模型类型的导入（
vllm_api_general、vllm_api_general_chat、vllm_api_stream_chat、vllm_api_general_stream），只需取消/修改注释即可切换。更多自定义配置文件的用法请参考 📚 自定义配置文件运行AISBench。
数据集任务的选取、准备和使用参考如下步骤：
- 在📚 开源数据集内选取数据集任务
- 进入数据的 📚 详细介绍/数据集部署准备数据集
- 参考📚 详细介绍/可用数据集任务选取可用数据集任务，并将对应的任务导入方式（例如
from ais_bench.benchmark.configs.datasets.demo.demo_gsm8k_gen_4_shot_cot_chat_prompt import gsm8k_datasets as datasets）复制到自定义配置文件中
修改好配置文件后，执行如下命令启动服务化精度评测：
ais_bench ais_bench/configs/model_api_test_zh_cn.py备选：使用命令行参数
如果你更习惯使用命令行参数方式，AISBench 同样支持通过 --models、--datasets、--summarizer 参数直接指定任务。以下是与上述自定义配置文件方式执行效果完全相同的命令行方式。
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。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。
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。
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：
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。
💡 提示：模型配置中的部分参数（如
host_ip、host_port、model、url、max_out_len、generation_kwargs等）无需修改配置文件，可直接通过命令行覆盖，例如：ais_bench --models vllm_api_general_chat --datasets demo_gsm8k_gen_4_shot_cot_chat_prompt --host-ip 127.0.0.1 --host-port 8000命令行显式指定的参数会覆盖本次执行的所有模型配置中对应字段；仅覆盖配置中已存在的字段，未指定的参数保持配置文件原值。更多可覆盖参数及覆盖范围说明请参考 📚 用户配置参数 - API 模型通用覆盖参数。
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,
)
)
]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。
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
- [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。
- [已完成] 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。
- [已完成] 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。
- 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。