MTEB项目中的Benchmark可见性控制机制探讨
2025-07-01 10:12:57作者:韦蓉瑛
在开源项目embeddings-benchmark/mteb的开发过程中,团队遇到了一个关于Benchmark展示的典型问题。当某些基准测试(如CodeRAG)由于数据集过大或尚未完成模型测试时,直接展示在排行榜上可能会造成误解。本文将深入分析这一技术场景,并探讨最佳实践方案。
问题背景
在MTEB项目的Leaderboard展示机制中,所有注册的Benchmark默认都会显示在排行榜上。然而当遇到以下情况时,这种默认展示方式就会产生问题:
- 基准测试数据集规模过大(如CodeRAGStackoverflowPosts),导致实际运行耗时过长
- 新加入的基准测试尚未积累足够的模型测试结果
- 某些基准测试处于维护或调试状态
技术分析
当前实现中,Benchmark类缺乏对可见性的控制机制。这导致即使是没有实际测试数据的基准也会出现在排行榜上,显示为"NaN"结果,容易让用户误以为是系统错误。
解决方案设计
项目成员提出了一个优雅的改进方案:为Benchmark类增加is_visible属性。这一设计具有以下技术优势:
- 精细控制:可以针对每个基准测试单独设置是否展示
- 向后兼容:不影响现有benchmark的注册和使用方式
- 接口友好:可以通过get_benchmarks(on_leaderboard=True)这样的参数进行筛选
- 部署灵活:新基准可以先注册但不展示,待测试完成后再开放
实现建议
在具体实现上,建议采用以下技术方案:
class Benchmark:
def __init__(self, ..., is_visible=True):
self.is_visible = is_visible
...
def get_benchmarks(on_leaderboard=None):
if on_leaderboard is not None:
return [b for b in benchmarks if b.is_visible == on_leaderboard]
return benchmarks
工程实践意义
这一改进不仅解决了当前CodeRAG的展示问题,还为项目带来了更完善的基准测试管理能力:
- 渐进式发布:新基准可以先内部测试再公开
- 维护模式:可以临时隐藏正在调整的基准
- 环境适配:在不同部署环境下可以灵活控制展示内容
- 用户体验:避免用户看到不完整或无效的测试结果
总结
MTEB项目通过引入Benchmark可见性控制机制,不仅解决了特定场景下的展示问题,更提升了整个项目的工程管理能力。这种设计思路也值得其他类似的开源项目参考,特别是在需要管理多种测试场景和结果的系统中。技术团队在解决问题时,不仅着眼于当前需求,更考虑到了系统的可扩展性和长期维护性,体现了良好的软件工程实践。
登录后查看全文
热门项目推荐
- DDeepSeek-V3.1-BaseDeepSeek-V3.1 是一款支持思考模式与非思考模式的混合模型Python00
- QQwen-Image-Edit基于200亿参数Qwen-Image构建,Qwen-Image-Edit实现精准文本渲染与图像编辑,融合语义与外观控制能力Jinja00
GitCode-文心大模型-智源研究院AI应用开发大赛
GitCode&文心大模型&智源研究院强强联合,发起的AI应用开发大赛;总奖池8W,单人最高可得价值3W奖励。快来参加吧~047CommonUtilLibrary
快速开发工具类收集,史上最全的开发工具类,欢迎Follow、Fork、StarJava04GitCode百大开源项目
GitCode百大计划旨在表彰GitCode平台上积极推动项目社区化,拥有广泛影响力的G-Star项目,入选项目不仅代表了GitCode开源生态的蓬勃发展,也反映了当下开源行业的发展趋势。06GOT-OCR-2.0-hf
阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00openHiTLS
旨在打造算法先进、性能卓越、高效敏捷、安全可靠的密码套件,通过轻量级、可剪裁的软件技术架构满足各行业不同场景的多样化要求,让密码技术应用更简单,同时探索后量子等先进算法创新实践,构建密码前沿技术底座!C0302- WWan2.2-S2V-14B【Wan2.2 全新发布|更强画质,更快生成】新一代视频生成模型 Wan2.2,创新采用MoE架构,实现电影级美学与复杂运动控制,支持720P高清文本/图像生成视频,消费级显卡即可流畅运行,性能达业界领先水平Python00
- GGLM-4.5-AirGLM-4.5 系列模型是专为智能体设计的基础模型。GLM-4.5拥有 3550 亿总参数量,其中 320 亿活跃参数;GLM-4.5-Air采用更紧凑的设计,拥有 1060 亿总参数量,其中 120 亿活跃参数。GLM-4.5模型统一了推理、编码和智能体能力,以满足智能体应用的复杂需求Jinja00
Yi-Coder
Yi Coder 编程模型,小而强大的编程助手HTML013
热门内容推荐
最新内容推荐
项目优选
收起

React Native鸿蒙化仓库
C++
176
262

🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
863
511

🔥🔥🔥ShopXO企业级免费开源商城系统,可视化DIY拖拽装修、包含PC、H5、多端小程序(微信+支付宝+百度+头条&抖音+QQ+快手)、APP、多仓库、多商户、多门店、IM客服、进销存,遵循MIT开源协议发布、基于ThinkPHP8框架研发
JavaScript
93
15

openGauss kernel ~ openGauss is an open source relational database management system
C++
129
182

旨在打造算法先进、性能卓越、高效敏捷、安全可靠的密码套件,通过轻量级、可剪裁的软件技术架构满足各行业不同场景的多样化要求,让密码技术应用更简单,同时探索后量子等先进算法创新实践,构建密码前沿技术底座!
C
259
300

deepin linux kernel
C
22
5

🍒 Cherry Studio 是一款支持多个 LLM 提供商的桌面客户端
TypeScript
596
57

为仓颉编程语言开发者打造活跃、开放、高质量的社区环境
Markdown
1.07 K
0

本仓将收集和展示仓颉鸿蒙应用示例代码,欢迎大家投稿,在仓颉鸿蒙社区展现你的妙趣设计!
Cangjie
398
371

本仓将收集和展示高质量的仓颉示例代码,欢迎大家投稿,让全世界看到您的妙趣设计,也让更多人通过您的编码理解和喜爱仓颉语言。
Cangjie
332
1.08 K