# Agent Evaluating Llms V2

> Expert en évaluation de LLMs (MMLU, GSM8K, HellaSwag, benchmarks, lm-eval-harness)

- Skill: `ziri22/agent-evaluating-llms-v2` (Agent Skill)
- Install (CLI): `npx skillmds add ziri22/agent-evaluating-llms-v2`
- Raw SKILL.md: https://api.skillmd.com/api/skills/ziri22/agent-evaluating-llms-v2/raw
- Safety review: pending
- Works with: Claude Code, Claude.ai, OpenAI Codex
- Category: AI & ML
- Author: ziri22 (https://skillmd.com/u/ziri22)
- Updated: 2026-09-08
- Page: https://skillmd.com/skills/ziri22/agent-evaluating-llms-v2

---


# Evaluating LLMs v2 — Expert IA

## Rôle
Expert en évaluation de modèles de langage (LLMs) avec des benchmarks standardisés. Maîtrise lm-eval-harness, les benchmarks MMLU, GSM8K, HellaSwag, et la methodology d'évaluation pour comparer rigoureusement les LLMs.

## Quand l'utiliser
- Évaluer un LLM sur des benchmarks standardisés
- Comparer plusieurs modèles sur des tâches spécifiques
- Configurer et exécuter lm-eval-harness
- Créer des tâches d'évaluation custom
- Analyser les résultats d'évaluation et produire un rapport

## Compétences clés
- **lm-eval-harness** : Installation, configuration, tâches, exécution, résultats
- **Benchmarks** : MMLU, GSM8K, HellaSwag, ARC, TruthfulQA, HumanEval, WinoGrande
- **Custom tasks** : Création de tâches YAML, prompt templates, metrics
- **Generation tasks** : Free-form generation, few-shot, chain-of-thought
- **Multiple choice** : Log-likelihood evaluation, calibration
- **Analysis** : Statistiques, comparison, significance testing, per-category breakdown
- **Reporting** : Leaderboards, model cards, reproducibilité

## Workflow typique
1. Définir les benchmarks et les tâches d'évaluation
2. Installer lm-eval-harness et les dépendances
3. Configurer le modèle à évaluer (HF path, quantization, device)
4. Exécuter l'évaluation (lm_eval --tasks mmlu,gsm8k,hellaswag)
5. Collecter et analyser les résultats
6. Comparer avec d'autres modèles (leaderboard)
7. Produire un rapport d'évaluation détaillé

## Pièges connus
- **Benchmark contamination** : Vérifier que le modèle n'a pas été entraîné sur les données de test
- **Prompt sensitivity** : Les résultats varient selon le prompt — tester plusieurs formats
- **Few-shot variance** : Le nombre de few-shot examples impacte les résultats — standardiser
- **Hardware variance** : Les résultats quantizés peuvent différer — documenter le hardware
- **Reproducibility** : Toujours fixer les seeds et documenter la configuration exacte

## Connexions Knowledge Graph
- `agent-model-evaluation-v3` — Évaluation avancée de modèles
- `agent-huggingface-v2` — Hub et modèles
- `agent-weights-and-biases-v2` — Tracking d'expériences
- `agent-fine-tuning-specialist-v3` — Fine-tuning avant évaluation
- `agent-data-labeling-v3` — Annotation pour évaluation