Evaluating Code Models

BigCode Evaluation Harness - Benchmarking de Modelos de Código

Primeiros Passos

BigCode Evaluation Harness avalia modelos de geração de código em 15+ benchmarks incluindo HumanEval, MBPP e MultiPL-E (18 idiomas).

Instalação:

git clone https://github.com/bigcode-project/bigcode-evaluation-harness.git
cd bigcode-evaluation-harness
pip install -e .
accelerate config

Avalie em HumanEval:

accelerate launch main.py \
  --model bigcode/starcoder2-7b \
  --tasks humaneval \
  --max_length_generation 512 \
  --temperature 0.2 \
  --n_samples 20 \
  --batch_size 10 \
  --allow_code_execution \
  --save_generations

Visualize tarefas disponíveis:

python -c "from bigcode_eval.tasks import ALL_TASKS; print(ALL_TASKS)"

Fluxos de Trabalho Comuns

Fluxo de Trabalho 1: Avaliação de Benchmark de Código Padrão

Avalie o modelo em benchmarks de código principais (HumanEval, MBPP, HumanEval+).

Checklist:

Avaliação de Benchmark de Código:
- [ ] Etapa 1: Escolha a suite de benchmark
- [ ] Etapa 2: Configure o modelo e geração
- [ ] Etapa 3: Execute avaliação com execução de código
- [ ] Etapa 4: Analise resultados pass@k

Etapa 1: Escolha a suite de benchmark

Geração de código Python (mais comum):

• HumanEval: 164 problemas manuscritos, preenchimento de função
• HumanEval+: Os mesmos 164 problemas com 80× mais testes (mais rigoroso)
• MBPP: 500 problemas crowdsourced, dificuldade de entrada
• MBPP+: 399 problemas curados com 35× mais testes

Multilíngue (18 idiomas):

• MultiPL-E: HumanEval/MBPP traduzido para C++, Java, JavaScript, Go, Rust, etc.

Avançado:

• APPS: 10.000 problemas (introdutório/entrevista/competição)
• DS-1000: 1.000 problemas de ciência de dados em 7 bibliotecas

Etapa 2: Configure o modelo e geração

# Modelo HuggingFace padrão
accelerate launch main.py \
  --model bigcode/starcoder2-7b \
  --tasks humaneval \
  --max_length_generation 512 \
  --temperature 0.2 \
  --do_sample True \
  --n_samples 200 \
  --batch_size 50 \
  --allow_code_execution

# Modelo quantizado (4-bit)
accelerate launch main.py \
  --model codellama/CodeLlama-34b-hf \
  --tasks humaneval \
  --load_in_4bit \
  --max_length_generation 512 \
  --allow_code_execution

# Modelo personalizado/privado
accelerate launch main.py \
  --model /path/to/my-code-model \
  --tasks humaneval \
  --trust_remote_code \
  --use_auth_token \
  --allow_code_execution

Etapa 3: Execute avaliação

# Avaliação completa com estimativa pass@k (k=1,10,100)
accelerate launch main.py \
  --model bigcode/starcoder2-7b \
  --tasks humaneval \
  --temperature 0.8 \
  --n_samples 200 \
  --batch_size 50 \
  --allow_code_execution \
  --save_generations \
  --metric_output_path results/starcoder2-humaneval.json

Etapa 4: Analise resultados

Resultados em results/starcoder2-humaneval.json:

{
  "humaneval": {
    "pass@1": 0.354,
    "pass@10": 0.521,
    "pass@100": 0.689
  },
  "config": {
    "model": "bigcode/starcoder2-7b",
    "temperature": 0.8,
    "n_samples": 200
  }
}

Fluxo de Trabalho 2: Avaliação Multilíngue (MultiPL-E)

Avalie geração de código em 18 linguagens de programação.

Checklist:

Avaliação Multilíngue:
- [ ] Etapa 1: Gere soluções (máquina host)
- [ ] Etapa 2: Execute avaliação em Docker (execução segura)
- [ ] Etapa 3: Compare entre idiomas

Etapa 1: Gere soluções no host

# Gere sem execução (seguro)
accelerate launch main.py \
  --model bigcode/starcoder2-7b \
  --tasks multiple-py,multiple-js,multiple-java,multiple-cpp \
  --max_length_generation 650 \
  --temperature 0.8 \
  --n_samples 50 \
  --batch_size 50 \
  --generation_only \
  --save_generations \
  --save_generations_path generations_multi.json

Etapa 2: Avalie em container Docker

# Extraia a imagem Docker MultiPL-E
docker pull ghcr.io/bigcode-project/evaluation-harness-multiple

# Execute avaliação dentro do container
docker run -v $(pwd)/generations_multi.json:/app/generations.json:ro \
  -it evaluation-harness-multiple python3 main.py \
  --model bigcode/starcoder2-7b \
  --tasks multiple-py,multiple-js,multiple-java,multiple-cpp \
  --load_generations_path /app/generations.json \
  --allow_code_execution \
  --n_samples 50

Idiomas suportados: Python, JavaScript, Java, C++, Go, Rust, TypeScript, C#, PHP, Ruby, Swift, Kotlin, Scala, Perl, Julia, Lua, R, Racket

Fluxo de Trabalho 3: Avaliação de Modelo com Instruções

Avalie modelos chat/instruções com formatação apropriada.

Checklist:

Avaliação de Modelo com Instruções:
- [ ] Etapa 1: Use tarefas com instruções
- [ ] Etapa 2: Configure tokens de instrução
- [ ] Etapa 3: Execute avaliação

Etapa 1: Escolha tarefas com instruções

• instruct-humaneval: HumanEval com prompts de instrução
• humanevalsynthesize-{lang}: Tarefas de síntese HumanEvalPack

Etapa 2: Configure tokens de instrução

# Para modelos com templates de chat (ex: CodeLlama-Instruct)
accelerate launch main.py \
  --model codellama/CodeLlama-7b-Instruct-hf \
  --tasks instruct-humaneval \
  --instruction_tokens "<s>[INST],</s>,[/INST]" \
  --max_length_generation 512 \
  --allow_code_execution

Etapa 3: HumanEvalPack para modelos com instruções

# Teste síntese de código em 6 idiomas
accelerate launch main.py \
  --model codellama/CodeLlama-7b-Instruct-hf \
  --tasks humanevalsynthesize-python,humanevalsynthesize-js \
  --prompt instruct \
  --max_length_generation 512 \
  --allow_code_execution

Fluxo de Trabalho 4: Compare Múltiplos Modelos

Suite de benchmarking para comparação de modelos.

Etapa 1: Crie script de avaliação

#!/bin/bash
# eval_models.sh

MODELS=(
  "bigcode/starcoder2-7b"
  "codellama/CodeLlama-7b-hf"
  "deepseek-ai/deepseek-coder-6.7b-base"
)
TASKS="humaneval,mbpp"

for model in "${MODELS[@]}"; do
  model_name=$(echo $model | tr '/' '-')
  echo "Avaliando $model"

  accelerate launch main.py \
    --model $model \
    --tasks $TASKS \
    --temperature 0.2 \
    --n_samples 20 \
    --batch_size 20 \
    --allow_code_execution \
    --metric_output_path results/${model_name}.json
done

Etapa 2: Gere tabela de comparação

import json
import pandas as pd

models = ["bigcode-starcoder2-7b", "codellama-CodeLlama-7b-hf", "deepseek-ai-deepseek-coder-6.7b-base"]
results = []

for model in models:
    with open(f"results/{model}.json") as f:
        data = json.load(f)
        results.append({
            "Model": model,
            "HumanEval pass@1": f"{data['humaneval']['pass@1']:.3f}",
            "MBPP pass@1": f"{data['mbpp']['pass@1']:.3f}"
        })

df = pd.DataFrame(results)
print(df.to_markdown(index=False))

Quando Usar vs Alternativas

Use BigCode Evaluation Harness quando:

• Avaliar modelos de geração de código especificamente
• Precisar de avaliação multilíngue (18 idiomas via MultiPL-E)
• Testar correção funcional com testes unitários (pass@k)
• Fazer benchmarking para BigCode/HuggingFace leaderboards
• Avaliar capacidades fill-in-the-middle (FIM)

Use alternativas em vez disso:

• lm-evaluation-harness: Benchmarks gerais de LLM (MMLU, GSM8K, HellaSwag)
• EvalPlus: HumanEval+/MBPP+ mais rigorosos com mais casos de teste
• SWE-bench: Resolução de problemas reais do GitHub
• LiveCodeBench: Problemas sem contaminação, continuamente atualizados
• CodeXGLUE: Tarefas de compreensão de código (detecção de clone, previsão de defeito)

Benchmarks Suportados

Problemas Comuns

Problema: Resultados diferentes dos relatados em artigos

Verifique estes fatores:

# 1. Verifique n_samples (necessário 200 para pass@k preciso)
--n_samples 200

# 2. Verifique temperatura (0.2 para algo próximo a greedy, 0.8 para sampling)
--temperature 0.8

# 3. Verifique que o nome da tarefa corresponde exatamente
--tasks humaneval  # Não "human_eval" ou "HumanEval"

# 4. Verifique max_length_generation
--max_length_generation 512  # Aumente para problemas mais longos

Problema: Memória CUDA insuficiente

# Use quantização
--load_in_8bit
# OU
--load_in_4bit

# Reduza o tamanho do batch
--batch_size 1

# Defina limite de memória
--max_memory_per_gpu "20GiB"

Problema: Execução de código trava ou atinge timeout

Use Docker para execução segura:

# Gere no host (sem execução)
--generation_only --save_generations

# Avalie em Docker
docker run ... --allow_code_execution --load_generations_path ...

Problema: Pontuações baixas em modelos com instruções

Garanta formatação correta de instruções:

# Use tarefas específicas de instruções
--tasks instruct-humaneval

# Defina tokens de instrução para seu modelo
--instruction_tokens "<s>[INST],</s>,[/INST]"

Problema: Falhas em idiomas MultiPL-E

Use a imagem Docker dedicada:

docker pull ghcr.io/bigcode-project/evaluation-harness-multiple

Referência de Comandos

Requisitos de Hardware

Recursos

• GitHub: https://github.com/bigcode-project/bigcode-evaluation-harness
• Documentação: https://github.com/bigcode-project/bigcode-evaluation-harness/tree/main/docs
• BigCode Leaderboard: https://huggingface.co/spaces/bigcode/bigcode-models-leaderboard
• HumanEval Dataset: https://huggingface.co/datasets/openai/openai_humaneval
• MultiPL-E: https://github.com/nuprl/MultiPL-E