Modelscope/Evalscope v0.16.3版本发布：函数调用评测能力升级

Evalscope作为Modelscope生态中的重要评测工具，专注于为各类AI模型提供全面、客观的性能评估。本次发布的v0.16.3版本在函数调用评测能力方面进行了重要升级，同时完善了多项评测功能，为开发者提供了更强大的模型评估手段。

核心功能升级：BFCL-v3评测基准

本次更新的亮点是新增了对BFCL-v3评测基准的支持。BFCL（Benchmark for Function Calling Language models）是专门用于评估语言模型函数调用能力的基准测试套件。v3版本在以下几个方面进行了增强：

1. 多场景覆盖：支持评估模型在各种实际应用场景下的函数调用表现，包括但不限于API调用、数据库操作、复杂业务逻辑处理等场景。

2. 细粒度评估维度：不仅评估函数调用的准确性，还包括参数提取的精确度、异常处理能力、多步函数调用的连贯性等维度。

3. 标准化评估流程：提供统一的评估接口和评分标准，确保不同模型间的评测结果具有可比性。

对于开发者而言，使用BFCL-v3可以：

• 快速验证模型在特定业务场景下的函数调用能力
• 发现模型在复杂函数调用链中的薄弱环节
• 为模型优化提供明确的改进方向

评测功能优化

除了新增BFCL-v3支持外，本次更新还对评测系统的多个方面进行了优化：

1. 评测稳定性提升：

   • 修复了super gpqa评测中的错误
   • 优化了并行评测时的资源分配逻辑，当数据集索引数小于并行数时能自动调整
   • 改进了流式请求参数的处理机制

2. 模型控制增强：

   • 新增repetition penalty参数支持，帮助控制模型输出的重复性
   • 确保logit注册流程的稳定性
   • 完善了跨编码器参数处理

3. 评测结果展示：

   • 新增整体指标日志功能，便于开发者快速把握模型整体表现
   • 优化needle评测的分数展示参数

文档与最佳实践

为帮助开发者更好地使用Evalscope，本次更新同步完善了多项文档：

1. 新增教程：

   • 文本到图像生成(T2I)模型的最佳实践指南
   • 自定义模型评测的详细说明
   • 添加新评测基准的方法指南

2. 文档更新：

   • 全面更新支持的数据集列表
   • 完善模型API默认参数说明
   • 新增通用多选题(MCQ)JSONL格式支持说明

技术实现亮点

在技术实现层面，本次更新体现了几个值得关注的设计思路：

1. 模块化设计：通过将T2I指标初始化过程重构，提高了代码的可维护性和扩展性。

2. 容错机制：增强了评测过程中的错误处理能力，特别是在处理大规模并行评测时。

3. 参数规范化：统一了各类模型API的参数处理逻辑，特别是max_tokens等关键参数的默认值设置。

应用建议

对于正在使用或考虑使用Evalscope的开发者，建议：

1. 新用户：可以从更新后的"支持的数据集"文档入手，快速了解平台能力边界。

2. 函数调用场景开发者：优先尝试BFCL-v3评测基准，建立模型能力的基线评估。

3. 高级用户：参考新增的自定义模型评测和添加评测基准指南，扩展平台的评测能力。

本次更新标志着Evalscope在专业化评测方向又迈出了坚实一步，特别是在函数调用这类专业场景的评估能力上。随着AI模型应用场景的不断扩展，这类细分的评测能力将变得越来越重要。