Lighteval项目v0.9.2版本发布：全面升级的轻量级评估框架

Lighteval是一个由HuggingFace团队开发的轻量级语言模型评估框架，旨在为研究人员和开发者提供高效、灵活的模型评估解决方案。该框架支持多种评估场景，包括标准基准测试、自定义任务评估以及模型间对比评估等。最新发布的v0.9.2版本带来了一系列重要更新，显著提升了框架的功能性和易用性。

核心功能增强

本次更新最引人注目的是对推理能力的全面增强。框架现在支持Together AI模型和推理模型作为评估"评判者"(evaluator)，这为模型间的对比评估提供了更多可能性。同时，通过集成huggingface_hub的推理API支持，用户现在可以更便捷地使用托管在HuggingFace Hub上的模型进行评估工作。

在模型配置方面，v0.9.2版本进行了重大重构，统一了模型参数处理逻辑，并采用Pydantic进行模型配置管理。这一改进不仅提高了代码的健壮性，还使得配置管理更加直观和类型安全。对于使用vLLM后端的用户，新版本还增加了对批处理大小控制的传播支持，以及思维链(COT)提示的集成，进一步提升了推理效率。

评估能力扩展

评估指标方面，本次更新引入了G-Pass@k这一新指标，为特定场景下的模型性能评估提供了更精细的工具。同时，对现有的pass@k数学计算进行了优化，确保评估结果更加准确可靠。

任务支持方面，v0.9.2版本新增了多个评估任务集，包括ARC AGI 2、SimpleQA等，丰富了框架的评估维度。特别值得注意的是对AIME基准测试的优化，现在使用n=16个样本来估计pass@1，使评估结果更加稳定。此外，还增加了乌兹别克语文字支持，体现了框架对多语言评估的持续投入。

开发者体验优化

在开发者体验方面，新版本增加了Weights & Biases日志集成功能，使实验结果的可视化和追踪变得更加便捷。动态批处理数据集的分割迭代逻辑也得到了更新，提高了数据处理效率。

文档方面也进行了多项改进，包括修复了Python API文档中的错误，提升了指标列表的标点一致性，并更新了快速入门指南中的命令示例，使新用户能够更快上手。

重要问题修复

v0.9.2版本解决了多个关键问题，包括：

• 修复了vLLM后端中特殊令牌添加参数的字符串解析问题
• 修正了tokenizer填充参数不正确的问题
• 解决了TransformersModel.from_model()方法的问题
• 改进了推理提供商的稳定性
• 为vLLM模型默认使用bfloat16精度，提高计算效率

这些修复显著提升了框架的稳定性和可靠性，为用户提供了更加顺畅的评估体验。

总结

Lighteval v0.9.2版本通过新增功能、扩展评估能力、优化开发者体验和修复关键问题，全面提升了框架的实用性和可靠性。特别是对模型推理能力的增强和对新评估指标的支持，使该框架在语言模型评估领域保持了领先地位。随着越来越多的贡献者加入，Lighteval正迅速发展成为语言模型评估的重要工具之一。