模型评测
Agent 评测
尚未接入适配层已准备好,接入 Agent 和评分规则后启用。
适配说明
执行
支持任务输入、版本、超时、取消与工具预算。
结果
统一回答、产物和 trace,不把聊天测试当作 Agent 评测。
压测结果
等待开始配置后发起第一轮测试
完成一个并发档位后,这里会显示吞吐量对比。
| 并发 | 成功 / 失败 | 输出 tok/s | 请求 / 秒 | TTFT P50 / P95 ms | TPOT P95 ms | 总延迟 P95 ms | SLO 达标 请求 / 秒 |
|---|---|---|---|---|---|---|---|
| 暂无测量结果 | |||||||
指标说明
TTFT 是首个非空生成片段的延迟(含思考);TPOT =(总延迟 − TTFT)/(输出 token − 1)。吞吐量取自服务 usage,不使用流式片段数代替 token。预热不计入测量,相同提示词可能命中前缀缓存。
评测结果
等待开始选择模型与标准测试集
等待能力评测结果
选择模型与测试集并开始评测,完成后可在这里对比成绩、查看样本。
代码能力工具调用指令遵循
能力图谱
可左右滑动,查看图谱两侧的完整指标名称。
评分口径与缺失项说明
测试项管理
具体得分
评测明细版本 / 范围 / 样本数
| 模型 | 数据集 | 版本 / 范围 | 样本 | 主指标 | 得分 | 状态 |
|---|