谷歌 AI 最近发布了一款名为 Stax 的实验性评估工具，旨在帮助开发者更有效地测试和分析大语言模型（LLMs）。与传统软件测试不同，LLMs 是概率性系统，它们可能会对相同的提示产生不同的响应，这使得评估的一致性和可重复性变得复杂。因此，Stax 为开发者提供了一种结构化的方法，可以根据自定义标准来评估和比较不同的 LLMs。
在进行模型评估时，通常会使用排行榜和通用基准测试，这些方法对于高层次的模型进展跟踪有帮助，但却不能反映特定领域的需求。例如，在开放领域推理任务中表现良好的模型，可能无法处理合规性摘要、法律文本分析或特定企业问题回答等专业用例。Stax 通过允许开发者定义与其用例相关的评估流程，从而解决了这一问题。
Stax 的一个重要功能是 “快速比较”。这个功能使开发者能够并排测试不同模型的多种提示，从而更容易了解提示设计或模型选择对输出结果的影响，减少试错所需的时间。此外，Stax 还提供了 “项目与数据集” 功能，当需要进行更大规模的测试时，开发者可以创建结构化的测试集，并在多个样本中应用一致的评估标准，这样不仅支持了可重复性，也使得在更现实的条件下评估模型变得更加容易。
Stax 的核心概念是 “自动评估器”。开发者可以构建适合其用例的自定义评估器，或者使用预构建的评估器。内置选项涵盖了常见的评估类别，例如流畅性（语法正确性和可读性）、基础性(与参考材料的事实一致性)以及安全性(确保输出避免有害或不当内容)。这种灵活性使得评估能够与实际需求对接，而不是采用单一的通用指标。
此外，Stax 的分析仪表板可以更方便地解释结果，开发者可以查看性能趋势、比较不同评估器的输出，并分析不同模型在同一数据集上的表现。整体上，Stax 为开发者提供了一种从临时测试转向结构化评估的工具，帮助团队在生产环境中更好地理解模型在特定条件下的表现，以及跟踪输出是否符合实际应用所需的标准。
