File size: 4,451 Bytes
a5d402c
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
#!/usr/bin/env python3
"""
CortexRouter Judge v1 — değerlendirme çalıştırıcısı

80 soruluk holdout setini çalıştırır ve karar doğruluğunu ölçer.
Herkes indirip %100 iddiasını kendisi doğrulayabilir.

Kullanım:
    python run_eval.py --model cortexrouter/judge-v1
    python run_eval.py --base Qwen/Qwen3-8B --adapter ./judge-v1
    python run_eval.py --api http://localhost:8000/v1 --model judge
"""
import argparse
import json
import os
import sys
import time

HERE = os.path.dirname(os.path.abspath(__file__))
HOLDOUT = os.path.join(HERE, "holdout.jsonl")

KARARLAR = ["DOĞRULANDI", "YANLIŞ_POZİTİF", "ETKİSİZ"]

SISTEM = (
    "Sen kıdemli bir uygulama güvenliği analistisin. "
    "Yalnızca verilen kanıta dayanarak karar verirsin. "
    "Kanıt yoksa uydurmasın. 9 alanlı yapıda Türkçe cevap ver."
)


def karar_bul(metin):
    """Cevaptan kararı çıkar (en son geçen kazanır)."""
    ust = metin.upper()
    bulunan = []
    for k in KARARLAR:
        p = ust.rfind(k)
        if p >= 0:
            bulunan.append((p, k))
    if not bulunan:
        return None
    return max(bulunan)[1]


def sor_api(soru, base, model, zaman=90):
    import urllib.request
    body = json.dumps({
        "model": model,
        "messages": [
            {"role": "system", "content": SISTEM},
            {"role": "user", "content": soru},
        ],
        "temperature": 0,
        "max_tokens": 700,
        "chat_template_kwargs": {"enable_thinking": False},
    }).encode()
    req = urllib.request.Request(
        f"{base.rstrip('/')}/chat/completions",
        data=body, headers={"Content-Type": "application/json"})
    with urllib.request.urlopen(req, timeout=zaman) as r:
        d = json.loads(r.read().decode())
    return (d["choices"][0]["message"].get("content") or "").strip()


def main():
    ap = argparse.ArgumentParser()
    ap.add_argument("--api", default="http://localhost:8000/v1")
    ap.add_argument("--model", default="judge")
    ap.add_argument("--holdout", default=HOLDOUT)
    ap.add_argument("--adet", type=int, default=0, help="0 = hepsi")
    ap.add_argument("--cikti", default="eval-sonuc.jsonl")
    args = ap.parse_args()

    sorular = []
    with open(args.holdout, encoding="utf-8") as f:
        for s in f:
            s = s.strip()
            if s:
                sorular.append(json.loads(s))

    if args.adet:
        sorular = sorular[:args.adet]

    print(f"Model : {args.model}")
    print(f"API   : {args.api}")
    print(f"Soru  : {len(sorular)}")
    print("-" * 70)

    dogru = 0
    yanlis = 0
    bos = 0
    senaryo = {}
    t0 = time.time()

    with open(args.cikti, "w", encoding="utf-8") as out:
        for i, s in enumerate(sorular, 1):
            try:
                cevap = sor_api(s["soru"], args.api, args.model)
            except Exception as e:
                cevap = ""
                print(f"  [{i:2}/{len(sorular)}] ⚠️  API hatası: {str(e)[:50]}")

            bulunan = karar_bul(cevap)
            bekl = s["beklenen_karar"]
            ok = bulunan == bekl

            sen = s.get("senaryo", "?")
            senaryo.setdefault(sen, [0, 0])
            senaryo[sen][1] += 1
            if ok:
                dogru += 1
                senaryo[sen][0] += 1
                isaret = "✓"
            elif bulunan is None:
                bos += 1
                isaret = "∅"
            else:
                yanlis += 1
                isaret = "✗"

            print(f"  [{i:2}/{len(sorular)}] {s['id']:26} "
                  f"bekl {bekl:14} bulunan {str(bulunan):14} {isaret}")

            out.write(json.dumps({
                "id": s["id"], "senaryo": sen,
                "beklenen": bekl, "bulunan": bulunan,
                "dogru": ok, "cevap": cevap[:1000],
            }, ensure_ascii=False) + "\n")

    n = len(sorular)
    sure = time.time() - t0

    print("\n" + "=" * 70)
    print("SONUÇ")
    print("=" * 70)
    print(f"Süre           : {sure:.0f} sn")
    print(f"Doğru          : {dogru}/{n} = %{100*dogru/max(1,n):.1f}")
    print(f"Yanlış         : {yanlis}")
    print(f"Karar yok      : {bos}")
    print("\nSenaryo bazında:")
    for sen in sorted(senaryo):
        d, t = senaryo[sen]
        print(f"  {sen}: {d}/{t} = %{100*d/t:.0f}")
    print(f"\nDetay: {args.cikti}")
    print("=" * 70)

    return 0 if dogru == n else 1


if __name__ == "__main__":
    sys.exit(main())