Skip to main content
Weave の リーダーボード を使用すると、複数のメトリクスにわたって複数のモデルを評価・比較し、精度、生成品質、レイテンシ、またはカスタム評価ロジックを測定できます。リーダーボード を使うと、モデル性能を一元的に可視化し、経時的な変化をトラッキングし、チーム全体でベンチマークを共有できます。 リーダーボード は、次の用途に最適です。
  • モデル性能のリグレッションをトラッキングする
  • 共有の評価ワークフローを調整する
リーダーボード を作成できるのは、Weave UI と Weave Python SDK のみです。TypeScript ユーザーは、Weave UI を使用して リーダーボード を作成および管理できます。

リーダーボードを作成

Weave UI または コードから リーダーボードを作成できます。

UI を使う

Weave UI でリーダーボードを直接作成およびカスタマイズするには、次の手順に従います。
  1. Weave UI で、Leaders セクションにアクセスします。表示されていない場合は、MoreLeaders をクリックします。
  2. + New Leaderboard をクリックします。
  3. Leaderboard Title フィールドに、わかりやすい名 (例: summarization-benchmark-v1) を入力します。
  4. 必要に応じて、このリーダーボードで何を比較するのかがわかる説明を追加します。
  5. 表示する評価とメトリクスを定義するために、列を追加します。
  6. レイアウトに問題がなければ、リーダーボードを保存して公開し、他のユーザーと共有します。

列を追加

リーダーボードの各列は、特定の評価のメトリクスを表します。列を設定するには、次を指定します。
  • 評価: ドロップダウンから評価 run を選択します (事前に作成されている必要があります) 。
  • Scorer: その評価で使用するスコアリング関数 (例: jaccard_similaritysimple_accuracy) を選択します。
  • メトリクス: 表示するサマリー メトリクス (例: meantrue_fraction など) を選択します。
列をさらに追加するには、列を追加 をクリックします。 列を編集するには、右側の action () メニューをクリックします。次の操作ができます。
  • 前 / 後に移動 – 列の順序を変更
  • 複製 – 列の定義をコピー
  • 削除 – 列を削除
  • 昇順で並べ替え – リーダーボードのデフォルトの並べ替え順を設定 (もう一度クリックすると降順に切り替わります)

Python

完全な実行可能コードのサンプルをお探しの場合は、エンドツーエンドの Python の例を参照してください。
リーダーボードを作成して公開するには、次の手順に従います。
  1. テスト用データセットを定義します。組み込みのDatasetを使用することも、input と target のリストを手動で定義することもできます。
  2. 1 つ以上のScorerを定義します。
  3. 評価を作成します。
  4. 評価するモデルを定義します。
  5. 評価を実行します。
  6. リーダーボードを作成します。
  7. リーダーボードを公開します。
  8. 結果を取得します。

エンドツーエンドの Python の例

次の例では、Weave の評価機能を使用して、カスタムメトリクスで共有データセット上の 3 つの要約モデルを比較するリーダーボードを作成します。小規模なベンチマークを作成し、各モデルを評価し、ジャッカード類似度で各モデルをスコアリングし、その結果を Weave リーダーボードに公開します。

リーダーボード を表示して読み解く

スクリプトの実行が完了したら、リーダーボード を表示します。
  1. Weave UILeaders タブに移動します。表示されていない場合は、More をクリックして Leaders を選択します。
  2. リーダーボード の名をクリックします。例: Summarization Model Comparison
リーダーボード の表では、各行が各モデル (model_humanlikemodel_vanillamodel_messy) を表します。mean 列には、モデルの出力と参照サマリーの間のジャッカード類似度の平均が表示されます。
Weave UI の リーダーボード
この例では:
  • model_humanlike が最も良い結果で、重複率は ~46% です。
  • model_vanilla (単純な切り詰め) は ~21% です。
  • model_messy は意図的に性能を悪くしたモデルで、スコアは ~2% です。