如何使用重复进行评估

运行多个重复可以更准确地估计您系统的性能，因为 LLM 输出是非确定性的。每次重复的输出可能不同。重复是减少易受高变异性影响的系统（例如代理）中噪声的一种方法。

在实验中配置重复

将可选的 num_repetitions 参数添加到 evaluate / aevaluate 函数（Python，TypeScript），以指定对数据集中每个示例评估的次数。例如，如果您的数据集中有 5 个示例，并将 num_repetitions 设置为 5，则每个示例将运行 5 次，总共 25 次运行。

Python

from langsmith import evaluate

results = evaluate(
    lambda inputs: label_text(inputs["text"]),
    data=dataset_name,
    evaluators=[correct_label],
    experiment_prefix="Toxic Queries",
    num_repetitions=3,
)

TypeScript

import { evaluate } from "langsmith/evaluation";

await evaluate((inputs) => labelText(inputs["input"]), {
  data: datasetName,
  evaluators: [correctLabel],
  experimentPrefix: "Toxic Queries",
  numRepetitions=3,
});

查看重复运行的实验结果

如果您使用重复运行了实验，输出结果列中将出现箭头，以便您可以在表格中查看输出。要查看每次重复的运行，请将鼠标悬停在输出单元格上并点击展开视图。当您使用重复运行实验时，LangSmith 会在表格中显示每个反馈分数的平均值。点击反馈分数可以查看单个运行的反馈分数，或查看重复运行的标准差。