CWM模型评估实战在SWE-bench、LiveCodeBench和MATH基准上复现SOTA结果【免费下载链接】cwmResearch code artifacts for Code World Model (CWM) including inference tools, reproducibility, and documentation.项目地址: https://gitcode.com/gh_mirrors/cwm2/cwmCWMCode World Model是一个强大的代码世界模型提供了完整的推理工具、可复现性和文档。本文将详细介绍如何在SWE-bench、LiveCodeBench和MATH三大基准上复现CWM的SOTA结果帮助你快速上手模型评估流程。1. 准备工作环境搭建与依赖安装要开始CWM模型评估首先需要准备好环境。确保你的系统满足以下要求Python 3.8PyTorch 1.10足够的GPU内存推荐8GB以上1.1 克隆仓库首先克隆CWM项目仓库git clone https://gitcode.com/gh_mirrors/cwm2/cwm cd cwm1.2 安装依赖使用以下命令安装项目依赖pip install -r requirements.txt如果你使用conda环境可以通过environment.yaml文件创建环境conda env create -f environment.yaml conda activate cwm2. SWE-bench Verified评估代码修复能力测试SWE-bench Verified是评估模型代码修复能力的重要基准。CWM在该基准上取得了优异的成绩你可以通过以下步骤复现结果。2.1 下载数据集使用提供的脚本下载SWE-bench Verified数据集python evals/scripts/download_lcb.py \ datasetprinceton-nlp/SWE-bench_Verified \ output_dirdata/swe-bench-verified2.2 转换数据格式将SWE-bench Verified数据集转换为SWE-RL格式python evals/scripts/swerl/format_swerl.py \ datasetprinceton-nlp/SWE-bench_Verified \ input_pathdata/swe-bench-verified \ output_pathdata/swe-bench-verified-swerl2.3 运行评估使用快速评估脚本运行SWE-bench Verified评估python evals/scripts/swerl/eval_cli.py \ eval_filedata/swe-bench-verified-swerl/all_preds.jsonl \ output_dirresults/swe-bench-verified \ num_threads16这个评估脚本基于Modal构建在足够的线程下如16线程整个SWE-bench Verified评估可以在5分钟内完成。评估逻辑位于evals/scripts/swerl/eval_cli.py核心评估代码改编自SWE-bench官方实现。3. LiveCodeBench评估实时代码生成挑战LiveCodeBenchLCB是一个评估模型实时代码生成能力的基准。CWM在该基准上表现出色以下是复现步骤。3.1 下载LCB数据集使用专用脚本下载LiveCodeBench数据集python evals/scripts/download_lcb.py \ datasetprinceton-nlp/LiveCodeBench \ output_dirdata/livecodebench3.2 配置评估参数LiveCodeBench评估需要特定的配置你可以在evals/configs/eval_lcb.yaml中调整参数如模型路径、推理参数等。3.3 运行LCB评估运行LiveCodeBench评估python evals/main.py \ --config evals/configs/eval_lcb.yaml \ --output_dir results/livecodebenchCWM的LCB评估环境实现位于cwm/rl/envs/envs/lcb.py该环境支持单轮或多轮代码生成任务。值得注意的是LiveCodeBench不进行浮点比较这在评估代码中已做特殊处理。4. MATH基准评估数学推理能力测试MATH基准包括MATH-500、AIME24和AIME25等数据集用于评估模型的数学推理能力。CWM在这些数据集上取得了显著成果。4.1 下载MATH数据集使用以下命令下载MATH-500数据集python evals/scripts/download_math.py \ datasetHuggingFaceH4/MATH-500 \ output_dirdata/math-500如果你想评估AIME24或AIME25可以将dataset参数改为HuggingFaceH4/aime_2024或yentinglin/aime_2025。4.2 运行MATH评估运行MATH基准评估python evals/main.py \ --config evals/configs/eval_math.yaml \ --output_dir results/math \ datasetHuggingFaceH4/MATH-500默认情况下评估会为每个问题生成20个解答。使用8张H100 GPUMATH-500评估大约需要5小时AIME24/25则需要2小时左右。5. 评估结果分析与可视化评估完成后你可以在指定的输出目录中找到结果文件。CWM提供了一些工具帮助你分析和可视化评估结果。5.1 结果文件结构评估结果通常保存在以下结构的目录中results/ ├── swe-bench-verified/ │ ├── metrics.json │ ├── all_preds.jsonl │ └── logs/ ├── livecodebench/ │ ├── metrics.json │ └── logs/ └── math/ ├── metrics.json └── logs/5.2 关键指标解读各基准的主要评估指标包括SWE-bench Verified修复成功率、测试通过率LiveCodeBench代码正确性、生成效率MATH解题准确率、步骤完整性你可以通过分析metrics.json文件来获取这些指标的具体数值。6. 常见问题与解决方案在评估过程中你可能会遇到一些常见问题以下是解决方案6.1 评估速度慢如果评估速度较慢可以尝试增加线程数适用于SWE-bench评估使用更多GPU适用于MATH和LCB评估调整批处理大小在配置文件中修改6.2 内存不足如果遇到GPU内存不足的问题减小批处理大小使用模型并行通过cwm/model/parallelize_transformer.py实现降低模型精度如使用FP166.3 结果与报告不符如果你的评估结果与技术报告中的结果有较大差异检查是否使用了相同的模型版本确认数据集版本一致核对评估参数是否与配置文件中的默认值一致7. 总结与下一步通过本文的指南你已经了解了如何在SWE-bench、LiveCodeBench和MATH基准上评估CWM模型。这些评估不仅可以验证模型性能还能帮助你深入理解CWM的工作原理。下一步你可以尝试调整模型参数探索性能优化空间在自定义数据集上进行评估对比不同模型在相同基准上的表现CWM项目的评估代码持续更新建议定期查看evals/README.md获取最新信息和功能。祝你在模型评估之旅中取得成功【免费下载链接】cwmResearch code artifacts for Code World Model (CWM) including inference tools, reproducibility, and documentation.项目地址: https://gitcode.com/gh_mirrors/cwm2/cwm创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考