zelk12's picture
Upload 3 files
0ee6704 verified
Raw History Blame Contribute Delete
15.8 kB
import fs from "node:fs";
import path from "node:path";
import { fileURLToPath } from "node:url";
const __dirname = path.dirname(fileURLToPath(import.meta.url));
const manifestPath = path.join(__dirname, "benchlocal.pack.json");
const scenariosPath = path.join(__dirname, "scenarios.json");
export const manifest = JSON.parse(fs.readFileSync(manifestPath, "utf8"));
function loadScenarios() {
return JSON.parse(fs.readFileSync(scenariosPath, "utf8"));
}
export function listScenarios() {
return loadScenarios().map(s => ({
id: s.id,
name: s.name,
category: s.category || "Общие",
description: s.name
}));
}
export function getScenarios() {
return listScenarios();
}
/**
* Нормализация букв-омоглифов (защита от различий раскладки А/A, В/B, С/C, Е/E, Н/H, Р/P, Х/X)
*/
function normalizeScriptChar(char) {
const c = String(char || "").trim().toUpperCase();
const map = { "A": "А", "B": "В", "C": "С", "E": "Е", "H": "Н", "P": "Р", "X": "Х" };
return map[c] || c;
}
/**
* Детектор макро-зацикливаний (период блока от 25 до 250 слов)
*/
function detectMacroLoop(text) {
const words = (text.toLowerCase().match(/[\p{L}\p{N}'-]+/gu) || []);
const n = words.length;
if (n < 50) return { isLoop: false };
const maxL = Math.min(250, Math.floor(n / 2));
for (let L = 25; L <= maxL; L += 5) {
const step = Math.max(1, Math.floor(L / 4));
for (let i = 0; i <= n - 2 * L; i += step) {
let matches = 0;
for (let j = 0; j < L; j++) {
if (words[i + j] === words[i + L + j]) {
matches++;
}
}
const similarity = matches / L;
if (similarity >= 0.85) {
const sample = words.slice(i, i + Math.min(12, L)).join(" ");
return {
isLoop: true,
reason: `Макро-петля: повторяющийся блок ~${L} слов (${Math.round(similarity * 100)}% совпадения): '${sample}...'`
};
}
}
}
const paragraphs = text
.split(/\n+/)
.map(p => p.trim().toLowerCase())
.filter(p => p.split(/\s+/).length >= 15);
for (let i = 0; i < paragraphs.length - 1; i++) {
if (paragraphs[i] === paragraphs[i + 1]) {
return {
isLoop: true,
reason: `Повтор целого абзаца подряд: '${paragraphs[i].slice(0, 50)}...'`
};
}
}
return { isLoop: false };
}
/**
* Детектор микро-зацикливаний (слова, биграммы, короткие фразы)
*/
function detectMicroLoop(text, finishReason) {
const words = (text.toLowerCase().match(/[\p{L}\p{N}'-]+/gu) || []);
if (words.length < 5) return { isLoop: false };
for (let i = 0; i <= words.length - 5; i++) {
const w = words[i];
if (words[i + 1] === w && words[i + 2] === w && words[i + 3] === w && words[i + 4] === w) {
return { isLoop: true, reason: `Повтор слова 5+ раз подряд: '${w}'` };
}
}
for (let i = 0; i <= words.length - 8; i++) {
if (
words[i] === words[i + 2] && words[i + 1] === words[i + 3] &&
words[i] === words[i + 4] && words[i + 1] === words[i + 5] &&
words[i] === words[i + 6] && words[i + 1] === words[i + 7]
) {
return { isLoop: true, reason: `Тандемный повтор пары слов: '${words[i]} ${words[i + 1]}'` };
}
}
const maxK = Math.min(20, Math.floor(words.length / 3));
for (let k = 3; k <= maxK; k++) {
for (let i = 0; i <= words.length - 3 * k; i++) {
let isMatch = true;
for (let j = 0; j < k; j++) {
if (words[i + j] !== words[i + k + j] || words[i + j] !== words[i + 2 * k + j]) {
isMatch = false;
break;
}
}
if (isMatch) {
const sample = words.slice(i, i + Math.min(k, 6)).join(" ");
return { isLoop: true, reason: `Тандемный повтор фразы из ${k} слов: '${sample}...'` };
}
}
}
if (finishReason === "length" && words.length >= 20) {
const tail = words.slice(-20);
const tailBigrams = new Set();
for (let i = 0; i < tail.length - 1; i++) {
tailBigrams.add(`${tail[i]}_${tail[i + 1]}`);
}
if (tailBigrams.size <= 4) {
return { isLoop: true, reason: "Аварийное зацикливание хвоста при исчерпании лимита токенов" };
}
}
return { isLoop: false };
}
/**
* Валидатор Категории 1: Распознавание смыслового зацикливания (Строгая бинарная оценка)
*/
function validateCategory1(scenario, rawText) {
const text = (rawText || "").trim();
if (!text) {
return { pass: false, reason: "Пустой ответ от модели" };
}
const pattern = /(?:мой\s+ответ|my\s+answer)\s*:\s*\(\s*([12])\s*\)\s*\(\s*([А-ЯA-Zа-яa-z])\s*\)/i;
const match = text.match(pattern);
if (!match) {
return {
pass: false,
reason: `Не соблюден формат ответа. Ожидалось: 'Мой ответ: (1/2) (Буква)', получено: '${text.slice(0, 60)}...'`
};
}
const actualBinary = match[1];
const actualLetterNorm = normalizeScriptChar(match[2]);
const expectedBinary = String(scenario.expectedBinary);
const expectedLetterNorm = normalizeScriptChar(scenario.expectedLetter);
// СТРОГАЯ БИНАРНАЯ ПРОВЕРКА: Либо верны оба пункта (100), либо провал (0)
if (actualBinary !== expectedBinary || actualLetterNorm !== expectedLetterNorm) {
const verdictName = actualBinary === "1" ? "Да" : "Нет";
const expVerdictName = expectedBinary === "1" ? "Да" : "Нет";
return {
pass: false,
reason: `Задание не выполнено. Получено: (${actualBinary} - ${verdictName}) (${match[2].toUpperCase()}), ожидалось: (${expectedBinary} - ${expVerdictName}) (${scenario.expectedLetter})`
};
}
return { pass: true, reason: `Задание выполнено полностью: зацикливание и количество (${expectedBinary}) (${scenario.expectedLetter}) определены верно` };
}
/**
* Валидатор Категории 2: Массовая генерация 100 элементов
*/
function validateCategory2(scenario, rawText, finishReason) {
const text = (rawText || "").trim();
if (!text) {
return { pass: false, reason: "Пустой ответ от модели" };
}
const lines = text.split(/\n+/).map(l => l.trim()).filter(Boolean);
const items = [];
for (const line of lines) {
const m = line.match(/^(?:\d+[\.\)]|\-\s*|\*\s*)(.+)$/);
if (m) {
items.push(m[1].trim().toLowerCase());
}
}
const finalItems = items.length >= 40 ? items : lines.map(l => l.toLowerCase());
// 1. Повтор одного пункта 4+ раза подряд
for (let i = 0; i <= finalItems.length - 4; i++) {
if (
finalItems[i] === finalItems[i + 1] &&
finalItems[i] === finalItems[i + 2] &&
finalItems[i] === finalItems[i + 3]
) {
return {
pass: false,
reason: `[LOOP DETECTED] Непрерывный повтор одного пункта 4+ раза подряд: '${finalItems[i].slice(0, 40)}...'`
};
}
}
// 2. Чередование пары пунктов ((A B) (A B) (A B))
for (let i = 0; i <= finalItems.length - 6; i++) {
if (
finalItems[i] === finalItems[i + 2] && finalItems[i] === finalItems[i + 4] &&
finalItems[i + 1] === finalItems[i + 3] && finalItems[i + 1] === finalItems[i + 5]
) {
return {
pass: false,
reason: `[LOOP DETECTED] Циклическое чередование пунктов: '${finalItems[i].slice(0, 25)}' / '${finalItems[i + 1].slice(0, 25)}'`
};
}
}
// 3. Коллапс разнообразия (> 35% дубликатов по всему списку)
if (finalItems.length >= 40) {
const unique = new Set(finalItems);
const dupRatio = (finalItems.length - unique.size) / finalItems.length;
if (dupRatio > 0.35) {
return {
pass: false,
reason: `[LOOP DETECTED] Коллапс генератора: ${Math.round(dupRatio * 100)}% пунктов списка являются дубликатами`
};
}
}
// 4. Обрыв по лимиту длины
if (finishReason === "length") {
return {
pass: false,
reason: `Генерация оборвалась по лимиту длины (успела выдать ${finalItems.length} пунктов). Декодер ушел в бесконечную петлю.`
};
}
// 5. Полнота объема (допуск от 75 пунктов)
if (finalItems.length < 75) {
return {
pass: false,
reason: `Сгенерировано слишком мало пунктов (${finalItems.length} из 100 требуемых).`
};
}
return { pass: true, reason: `Успешно: сгенерировано ${finalItems.length} уникальных пунктов без зацикливаний` };
}
/**
* Валидатор Категории 3: Рекурсивные правила и парадоксы
*/
function validateCategory3(scenario, rawText, finishReason) {
const text = (rawText || "").trim();
const words = text.split(/\s+/).filter(Boolean);
if (words.length === 0) {
return { pass: false, reason: "Отказ генерации: модель не вернула текста (зависание или сбой декодера)" };
}
if (words.length < 10) {
return {
pass: false,
reason: `Нарушено условие минимального объема: ответ содержит всего ${words.length} слов (требуется >= 10 слов)`
};
}
const micro = detectMicroLoop(text, finishReason);
if (micro.isLoop) {
return { pass: false, reason: `[LOOP DETECTED] ${micro.reason}` };
}
const macro = detectMacroLoop(text);
if (macro.isLoop) {
return { pass: false, reason: `[LOOP DETECTED] ${macro.reason}` };
}
if (finishReason === "length") {
return { pass: false, reason: "Модель исчерпала лимит токенов в попытке распутать рекурсивный дедлок" };
}
return { pass: true, reason: "Успешно: модель справилась с задачей без впадения в петлю генерации" };
}
function validateResponse(scenario, rawText, finishReason) {
if (scenario.category === "Определение зацикливания") {
return validateCategory1(scenario, rawText);
}
if (scenario.category === "Массовая генерация (100 элементов)") {
return validateCategory2(scenario, rawText, finishReason);
}
if (scenario.category === "Рекурсивные правила и парадоксы") {
return validateCategory3(scenario, rawText, finishReason);
}
return { pass: false, reason: "Неизвестная категория сценария" };
}
function resolveHelpers(context) {
if (context && typeof context.getRequiredProvider === "function") {
return context;
}
if (context?.helpers && typeof context.helpers.getRequiredProvider === "function") {
return context.helpers;
}
return {
getRequiredProvider(providerId) {
const providers = context?.providers || [];
const found = Array.isArray(providers)
? providers.find((p) => p.id === providerId || p.provider === providerId)
: providers[providerId];
return found || { baseUrl: "http://127.0.0.1:11434/v1", apiKey: "none" };
},
getInferenceEndpoint(modelId) {
return context?.endpoints?.[modelId] || null;
}
};
}
export async function prepare(context) {
const helpers = resolveHelpers(context);
return {
async runScenario(input) {
const allScenarios = loadScenarios();
const scenario = allScenarios.find(s => s.id === input.scenario.id);
if (!scenario) {
return {
scenarioId: input.scenario.id,
status: "fail",
score: 0,
summary: "Сценарий не найден",
rawLog: "error=Scenario not found"
};
}
const provider = helpers.getRequiredProvider(input.model.provider, { enabledOnly: true });
const inference = helpers.getInferenceEndpoint ? helpers.getInferenceEndpoint(input.model.id) : null;
const rawBaseUrl = (inference && inference.status === "running" ? inference.baseUrl : provider?.baseUrl) || "http://127.0.0.1:11434/v1";
const baseUrl = rawBaseUrl.replace(/\/+$/, "");
const apiKey = provider?.apiKey || "none";
const requestBody = {
model: input.model.model,
messages: [{ role: "user", content: scenario.prompt }],
temperature: 0
};
const response = await fetch(`${baseUrl}/chat/completions`, {
method: "POST",
headers: {
"Content-Type": "application/json",
Authorization: `Bearer ${apiKey}`
},
body: JSON.stringify(requestBody)
});
const data = await response.json();
const text = (data.choices?.[0]?.message?.content || "").trim();
const finishReason = data.choices?.[0]?.finish_reason || "stop";
const result = validateResponse(scenario, text, finishReason);
const rawLog = [
`model=${input.model.model}`,
`scenario=${scenario.id} ${scenario.name}`,
`category=${scenario.category}`,
`finish_reason=${finishReason}`,
`user_turn_1=${scenario.prompt}`,
`assistant_turn_1=${text}`,
`final_answer=${text}`,
`verdict=${result.pass ? "pass" : "fail"}`,
`score=${result.pass ? 100 : 0}`,
`summary=${result.reason}`,
`\n--- RAW API RESPONSE ---`,
JSON.stringify(data, null, 2)
].join("\n");
return {
scenarioId: scenario.id,
status: result.pass ? "pass" : "fail",
score: result.pass ? 100 : 0,
summary: result.reason,
rawLog: rawLog
};
},
async dispose() {}
};
}
export function scoreModelResults(results) {
const scored = results || [];
const total = scored.reduce((sum, r) => sum + (r.score || 0), 0);
const max = scored.length * 100;
const scenarios = loadScenarios();
const categoryMap = new Map();
for (const r of scored) {
const sc = scenarios.find(s => s.id === r.scenarioId);
const cat = sc?.category || "Общие";
if (!categoryMap.has(cat)) {
categoryMap.set(cat, { total: 0, count: 0 });
}
const cur = categoryMap.get(cat);
cur.total += r.score || 0;
cur.count += 1;
}
const categories = Array.from(categoryMap.entries()).map(([name, data]) => ({
name,
score: data.count > 0 ? Math.round(data.total / data.count) : 0
}));
return {
totalScore: max > 0 ? Math.round((total / max) * 100) : 0,
categories
};
}
export default {
manifest,
listScenarios,
getScenarios,
prepare,
createRuntime: prepare,
scoreModelResults
};