メインコンテンツへスキップ
LLM Evaluation Jobs is in Preview for W&B Multi-tenant Cloud. Compute is free during the preview period. Learn more
このページでは、LLM Evaluation Jobs を使用して、CoreWeave が管理するインフラストラクチャーを利用し、公開アクセス可能な URL にあるホストされた API モデルに対して一連の評価ベンチマークを実行する方法を説明します。W&B Models に artifact として保存されたモデルチェックポイントを評価する場合は、代わりに Evaluate a model checkpoint を参照してください。

​
前提条件

  1. LLM Evaluation Jobs の 要件と制限事項 を確認してください。
  2. 特定のベンチマークを実行するには、チーム管理者がチームスコープのシークレットとして必要な APIキー を追加する必要があります。チームメンバーは、評価ジョブの設定時にそのシークレットを指定できます。
    • OpenAPI APIキー: スコアリングに OpenAI モデルを使用するベンチマークで使用されます。ベンチマークを選択した後に Scorer API key フィールドが表示される場合に必要です。シークレット名は OPENAI_API_KEY である必要があります。
    • Hugging Face ユーザーアクセストークン: lingoly や lingoly2 など、ゲート（アクセス制限）付きの Hugging Face データセットへのアクセスが必要な特定のベンチマークで必要です。ベンチマークを選択した後に Hugging Face Token フィールドが表示される場合に必要です。APIキー は関連するデータセットへのアクセス権を持っている必要があります。詳細は Hugging Face のドキュメント User access tokens および accessing gated datasets を参照してください。
    • W&B Inference で提供されるモデルを評価するには、組織またはチーム管理者が任意の値を設定した WANDB_API_KEY を作成する必要があります。このシークレットは、実際には認証には使用されません。
  3. 評価対象のモデルは、公開アクセス可能な URL で利用可能である必要があります。組織またはチーム管理者は、認証用の APIキー を含むチームスコープのシークレットを作成する必要があります。
  4. 評価結果を保存するための新しい W&B Project を作成します。左側のナビゲーションから Create new project をクリックします。
  5. 仕組みを理解し、特定の要件を確認するために、各ベンチマークのドキュメントを確認してください。利便性のために、Available evaluation benchmarks リファレンスに関連リンクが含まれています。

​
モデルの評価

以下の手順に従って、評価ジョブをセットアップし、 Launch します。
  1. W&B にログインし、左側のナビゲーションで Launch をクリックします。LLM Evaluation Jobs ページが表示されます。
  2. Evaluate hosted API model をクリックして、評価をセットアップします。
  3. 評価結果を保存する送信先の Project を選択します。
  4. Model セクションで、評価するベース URL とモデル名を指定し、認証に使用する APIキー を選択します。モデル名は、AI Security Institute で定義されている OpenAI 互換の形式で指定してください。例えば、OpenAI モデルは openai/<model-name> という構文で指定します。ホストされているモデルプロバイダーとモデルの包括的なリストについては、AI Security Institute’s model provider reference を参照してください。
    • W&B Inference で提供されるモデルを評価するには、ベース URL を https://api.inference.wandb.ai/v1 に設定し、モデル名を openai-api/wandb/<model_id> という構文で指定します。詳細は Inference model catalog を参照してください。
    • OpenRouter プロバイダーを使用するには、モデル名の前に openrouter を付け、openrouter/<model-name> という構文で指定します。
    • カスタムの OpenAI 準拠モデルを評価するには、モデル名を openai-api/wandb/<model-name> という構文で指定します。
  5. Select evaluations をクリックし、実行するベンチマークを最大4つまで選択します。
  6. スコアリングに OpenAI モデルを使用するベンチマークを選択した場合、Scorer API key フィールドが表示されます。それをクリックし、OPENAI_API_KEY シークレットを選択します。利便性のために、チーム管理者はこのドロワーから Create secret をクリックしてシークレットを作成することもできます。
  7. Hugging Face のゲート付きデータセットへのアクセスが必要なベンチマークを選択した場合、Hugging Face token フィールドが表示されます。関連するデータセットへのアクセスをリクエスト した後、Hugging Face ユーザーアクセストークンを含むシークレットを選択します。
  8. オプションで、Sample limit に正の整数を設定して、評価するベンチマークサンプルの最大数を制限できます。設定しない場合は、タスク内のすべてのサンプルが含まれます。
  9. リーダーボードを自動的に作成するには、Publish results to leaderboard をクリックします。リーダーボードは Workspace パネルにすべての評価をまとめて表示し、Report で共有することもできます。
  10. Launch をクリックして、評価ジョブを Launch します。
  11. ページ上部の円形の矢印アイコンをクリックして、最近の run モーダルを開きます。評価ジョブは他の最近の Runs と一緒に表示されます。完了した run の名前をクリックして単一 run ビューで開くか、Leaderboard リンクをクリックしてリーダーボードを直接開きます。詳細は View the results を参照してください。
この例のジョブは、OpenAI モデル o4-mini に対して simpleqa ベンチマークを実行します。
ホストされたモデルの評価ジョブの例
このリーダーボードの例では、複数の OpenAI モデルのパフォーマンスをまとめて可視化しています。
複数のホストされたモデルのパフォーマンスを可視化するリーダーボードの例

​
Review evaluation results

Review your evaluation job results in W&B Models in the destination project’s workspace.
  1. Click the circular arrow icon at the top of the page to open the recent run modal, where evaluation jobs appear with other runs in the project. If the evaluation job has a leaderboard, click Leaderboard to open the leaderboard in full screen, or click a run name to open it in the project in single-run view.
  2. View the evaluation job’s traces in the Evaluations section of a workspace or in the Traces tab of the Weave sidebar panel.
  3. Click the Overview tab to view detailed information about the evaluation job, including its configuration and summary metrics.
  4. Click the Logs tab to view, search, or download the evaluation job’s debug logs.
  5. Click the Files tab to browse, view, or download the evaluation job’s files, including code, log, configuration, and other output files.

​
Customize a leaderboard

The leaderboard shows results for all evaluation jobs sent to a given project, with one row per benchmark per evaluation job. Columns display details like the trace, input values, and output values for the evaluation job. For more information about leaderboards, see Leaderboards in Weave.
To give feedback about a result from the leaderboard, click the emoji icon or the chat icon in the Feedback column.
  • By default, all evaluation jobs are displayed. Filter or search for an evaluation job using the run selector at the left.
  • By default, evaluation jobs are ungrouped. To group by one or more columns, click the Group icon. You can show or hide a group, or expand a group to view its runs.
  • By default, all operations are displayed. To display only a single operation, click All ops and select an operation.
  • To sort by a column, click the column heading. To customize the display of columns, click Columns.
    • By default, headers are organized in a single level. You can increase the header depth to organize related headers together.
    • Select or deselect individual columns to show or hide them, or show or hide all columns with a click.
    • Pin columns to display them before unpinned columns.

​
Export a leaderboard

To export a leaderboard:
  1. Click the download icon, located near the Columns button.
  2. To optimize the export size, only the trace roots are exported by default. To export full traces, turn off Trace roots only.
  3. To optimize the export size, feedback and costs are not exported by default. To include them in the export, toggle Feedback or Costs.
  4. By default, the export is in JSONL format. To customize the format, click Export to file and select a format.
  5. To export the leaderboard in your browser, click Export.
  6. To export the leaderboard programmatically, select Python or cURL, then click Copy and run the script or command.

​
Re-run an evaluation job

Depending on your situation, there are multiple ways to re-run an evaluation job or view its configuration.
  • To re-run the last evaluation job again, follow the steps in Evaluate your model. Select the destination project, then the model artifact details and the selected benchmarks you selected last time are populated automatically. Optionally, make adjustments, then launch the evaluation job.
  • To re-run an evaluation job from the project’s Runs tab or run selector, hover over the run name and click the play icon. The job configuration drawer displays with the settings pre-populated. Optionally adjust the settings, then click Launch.
  • To re-run an evaluation job from a different project, import its configuration:
    1. Follow the steps in Evaluate your model. After you select the destination project, click Import configuration.
    2. Select the project that contains the evaluation job to import, then select the evaluation job run. The job configuration drawer displays with the settings pre-populated.
    3. Optionally adjust the configuration.
    4. Click Launch.

​
Export an evaluation job configuration

Export an evaluation job’s configuration from the run’s Files tab.
  1. Open the run in single-run view.
  2. Click the Files tab.
  3. Click the download button next to config.yaml to download it locally.