- 综合排序
- 最热优先
- 最新优先
大模型幻觉测试
大模型幻觉测试本方法为企业级可落地的全流程幻觉测试体系，融合学术界权威基准与工业界工程实践，覆盖从口径定义、用例设计、自动化执行、量化打分到归因优化的完整闭环。 3.逻辑性幻觉测试：推理链一致性验证测试目标：检测模型推理过程中的逻辑滑坡、偷换概念、数值计算错误。 ：TruthfulQA官方基准落地参考值：通用大模型≥70%为良好，垂直领域模型≥85%为良好业务落地补充指标整体幻觉率：出现幻觉的用例占总测试用例的比例幻觉率=幻觉用例数/总用例数分类幻觉占比：事实/ temperature=0.1，top_p=0.9），确保结果可复现通过API或CLI批量调用被测大模型，全量保存输入输出日志（问题、回答、模型版本、调用时间）单用例调用失败自动重试2次，排除接口波动导致的误判步骤 自动化流水线：拆解：用大模型将回答拆分为原子事实断言检索：从业务知识库/权威百科检索对应证据判定：用判别模型逐句判断证据是否支持断言打分：汇总计算FactScore与各维度幻觉率步骤4：人工复核与归因（
16710编辑于 2026-09-08- 来自专栏韩曙亮的移动开发专栏
【AI 大模型】Meta Llama 3 大模型 ( Llama 3 大模型简介 | Ollama 软件下载安装 | Llama3 模型下载 | Llama 3 大模型 在线 离线 使用 )
首先 , 安装 Ollama 软件 , 到 https://ollama.com/ 下载安装 ; 然后 , 运行 ollama run llama3 命令 , 即可开始使用 Llama3 大模型 ; 一 、Meta Llama 3 大模型安装 1、Llama 3 大模型简介 Llama 3 大模型 是 Meta 公司 发布的 大模型 , Meta 公司 就是 Facebook ; Llama 3 大模型 Llama3 大模型 ; 下载的模型放在了 C:\Users\用户名.ollama 目录中 , 在我的电脑上的路径是 C:\Users\octop.ollama ; 这个模型很大 , 有 4.7 G 安装完成后的效果 for help) 二、Meta Llama 3 大模型使用 1、Llama 3 大模型在线使用 在命令行中 , 可以直接进行对话 , 下面是对话内容 : D:\Llama>ollama run llama3 for help) 2、Llama 3 大模型离线使用 Llama 3 大模型 联网时 , 可以访问云端服务 , 可以生成更加丰富的文本 ; Llama 3 大模型 在 断网后也可以使用 , 下面是断开网络后
2.1K12编辑于 2024-08-09 - 来自专栏啄木鸟软件测试
大模型测试性能优化：测试专家必看
更严峻的是——大模型测试本身正成为性能瓶颈：单次Prompt-Response耗时数百毫秒至数秒，批量评估动辄数小时；RAG流水线需反复调用嵌入模型+向量检索+重排序+生成模型，端到端延迟陡增；而A/B 如何让测试‘跑得快、判得准、控得住’？本文从工程化视角，为测试专家梳理大模型测试性能优化的四大核心路径。 某政务大模型项目采用此机制后，对抗测试中相同攻击prompt的重复执行耗时下降91%，且发现3个因Tokenizer升级引发的意外截断缺陷。 四、测试即代码（TaaC）：编排优化与资源感知调度 大模型测试不再是‘点一下Run’的黑盒操作。 结语 大模型测试的性能优化，本质是测试思维的升维：从‘验证输出是否正确’走向‘验证系统是否可持续交付高质量输出’。
62010编辑于 2026-03-04 - 来自专栏测试技术圈
LangSmith帮助测试大模型系统
LangSmith是评估大模型能力好坏的评估工具，能够量化评估基于大模型的系统的效果。LangSmith通过记录langchain构建的大模型应用的中间过程，从而能够更好的调整提示词等中间过程做优化。 为了测试我们依托讯飞星火大模型创建一个继承LangChain的CustomLLMSparkLLM的类（代码在6.2.1章节），依托对应的类我创建了如下的测试代码。 #! os.environ['LANGCHAIN_API_KEY']="ls__626de75e47214de3a9b73ea801774183" os.environ['LANGCHAIN_ENDPOINT 在项目下的列表中，我们多次执行LangChain构建的大模型的应用也可以做横向对比。 每一次的处理和反馈的Trace都可以展示响应时间和使用的Token数。 LangSmith完成了跟踪LangChain构建应用的所有的中间过程，这也为验收或者测试LangChain构建的基于大模型的应用提供了有力的手段。
2.4K10编辑于 2024-04-30 - 来自专栏老张的求知思考世界
详解性能测试三大模型
从我的实践经验来说，如果无法对系统和业务有足够的了解，没有较为精准的性能测试三大模型，则性能测试的结果无法对线上容量规划起到明显的参考价值。 今天这篇文章算是性能测试知识的科普内容，我会聊聊在实际工作中开展性能测试，前期最核心的工作。即业务模型、流量模型和数据模型这三大模型，该如何评估和建立。 为了便于大家理解三大模型，我会以电商业务下单的场景来举例说明，如下图： 业务模型 大家可以将业务模型看作功能测试中的业务场景。 ； 构建流量模型 下面是之前我实际工作中一次双11大促时的流量模型构建案例，仅供参考。 预估大促时的支付转化率为60%，则可得：大促峰值订单支付QPS为（200/40%）*60%*（200W/50W）=1200QPS。
91810编辑于 2024-10-28 - 来自专栏啄木鸟软件测试
大模型测试：技术深度解析
这些案例揭示一个现实：大模型测试不是‘加个Prompt跑几轮’，而是一场融合认知科学、统计推断、对抗攻防与领域知识的系统工程。 一、为何传统测试方法在大模型面前失灵？ 二、大模型测试的四维技术框架 业界领先实践已形成可落地的四维测试体系： ✅ 1. ✅ 3. 系统集成层测试（System-in-Context Validation）测试模型在真实业务流水线中的表现。例如，在电商推荐系统中，需验证：RAG检索模块返回的文档是否被LLM准确引用？ 三、实战案例：某省级政务大模型的测试攻坚 该模型需支撑12345热线智能分派与政策解读。 未来三年，我们认为三个方向将重塑测试范式： （1）测试即服务（TaaS）平台兴起，提供开箱即用的幻觉检测、偏见审计API； （2）测试数据生成从人工编写迈向‘模型自生成—人工校验’闭环； （3）监管合规测试
44800编辑于 2026-06-15 - 来自专栏开源项目搭建
简单3步部署本地国产大模型DeepSeek大模型
简单3步部署本地国产大模型DeepSeek大模型DeepSeek是最近非常火的开源大模型，国产大模型 DeepSeek 凭借其优异的性能和对硬件资源的友好性，受到了众多开发者的关注。 本文将介绍如何通过简单 3 步在本地部署 DeepSeek 大模型，让你能够轻松体验这一强大的 AI 工具。 deepseek-r1的哪个版本的大模型？ 它支持各种LLM，包括Llama 3、Mistral和Gemma。提供了类似OpenAI的API接口和聊天界面,可以非常方便地部署最新版本的GPT模型并通过接口使用。 系统下安装也比较方便，双击打开 install安装完成没有提示，我们打开一个终端，本文以Windows PowerShell为例，大家也可以使用其他的：现在Ollama已经安装完了，我们需要在终端中输入下方命令运行一个大语言模型进行测试
7.1K33编辑于 2025-02-06 三大领域大语言模型安全基准测试
TRIDENT：金融、医疗和法律领域的大语言模型安全基准测试随着大语言模型（LLMs）在法律、金融和医疗等高风险领域的部署日益增多，系统评估其领域特定安全性和合规性变得至关重要。 为填补这一空白，研究首先基于某机构医学伦理原则、某机构专业行为示范规则和某机构道德准则，定义了大语言模型的领域特定安全原则。 在此基础上，推出了Trident-Bench基准测试，专门针对法律、金融和医疗领域的LLM安全性进行评估。 研究在Trident-Bench上评估了19个通用型和领域专用模型，结果表明该基准能有效揭示关键安全漏洞：强大的通用模型（如某中心GPT、某中心Gemini）能够满足基本要求，而领域专用模型往往难以处理细微的伦理差异 代码和基准测试将在以下网址发布：https://github.com/xxx
45100编辑于 2025-09-04- 来自专栏啄木鸟软件测试
大模型性能优化测试实战指南
引言：当大模型从实验室走向生产，性能不再是‘能跑就行’ 随着LLaMA-3、Qwen2、GLM-4等开源大模型迭代加速，越来越多企业将大模型集成至客服系统、智能文档分析、代码辅助等核心业务场景。 本文基于我们在金融、政务、制造领域的真实测试案例，系统拆解大模型性能优化的测试方法论与实战路径，聚焦‘可测、可调、可证’三原则，拒绝空谈架构，直击工程落地痛点。 结语：性能优化是测试工程师的新护城河 大模型时代的性能测试，早已超越LoadRunner脚本编写。 在啄木鸟近期认证的‘大模型性能测试工程师’中，73%来自原SRE/算法工程岗——这印证了一个趋势：谁掌握性能验证闭环能力，谁就掌握大模型落地的最终话语权。 下一期，我们将发布《大模型可靠性测试白皮书V2.0》，涵盖混沌工程注入、对抗样本压力测试等前沿实践，敬请关注。
54010编辑于 2026-06-15 大语言模型基准测试框架解析
大语言模型基准测试框架解析某研究者近日在代码托管平台发布了针对大语言模型的新基准测试框架。 该框架包含从实际与大语言模型对话记录中提取的近100项测试，涵盖以下技术场景：将Python函数转换为等效但更快的C函数解释压缩后的JavaScript代码功能识别数据编码格式（如uuencode编码） ：LLMRun：向语言模型发送提示词ExtractCode：从模型输出提取代码块CRun/PythonRun：在隔离环境中执行代码SubstringEvaluator：验证输出包含预期字符串复杂测试场景框架支持多步骤交互测试 ：避免复杂的提示工程，测试原始问题解决能力可扩展性：允许用户轻松添加自定义测试用例结论该基准测试框架为实践者提供了评估大语言模型实用能力的工具，特别适用于：研究代码辅助能力评估编程任务解决能力测试特殊领域知识验证研究者强调该框架不适合学术基准使用 ，但鼓励开发者扩展测试用例以评估模型在特定领域的实用性能。
48210编辑于 2025-08-23- 来自专栏啄木鸟软件测试
开源方案：大模型测试实战指南
引言：当大模型从实验室走向产线，测试不再是‘锦上添花’，而是‘安全底线’。 一、为什么传统测试方法在大模型面前集体失灵？ 二、四大开源利器：构建可落地的大模型测试流水线 1. 三、实战案例：用开源栈完成一次端到端大模型测试 以某电商客服大模型升级为例： - 步骤1：用`Promptfoo`构建测试集——导入历史工单对话（500条），标注‘意图类别+预期响应类型+合规关键词’； （注：文中所有工具均为MIT/Apache 2.0协议开源，GitHub Star数均超5k，最新稳定版均已支持Llama 3、Qwen2、Phi-3等主流模型。）
81910编辑于 2026-03-09 - 来自专栏啄木鸟软件测试
大模型测试落地实践深度解读
这些并非算法缺陷，而是测试体系与大模型特性严重错配的结果。本文基于啄木鸟软件测试团队服务12家AIGC企业的实战沉淀，系统拆解大模型测试从‘不可测’到‘可度量、可追溯、可治理’的落地路径。 一、为什么传统测试范式在大模型面前集体失灵？ 传统测试依赖确定性输入->确定性输出的契约，而大模型本质是概率性生成系统。我们曾协助某银行测试其信贷问答大模型，发现：同一问题‘逾期会影响征信吗？’ 二、四维测试框架：构建大模型专属质量看板 我们提出‘D-R-A-M’四维测试模型，已在3个千万级调用量生产环境验证有效： ·Determinacy（确定性）：聚焦可控场景下的基线稳定性。 我们为其搭建的MLOps测试流水线实现质变： ·测试资产自动化生产：基于线上真实query日志（脱敏后），用LLM-as-a-Judge生成黄金标准答案，并通过交叉验证（3个SOTA模型投票）保障基准质量 结语：测试不是给大模型戴枷锁，而是为其装上‘质量导航仪’ 大模型测试的终极目标，不是消灭所有不确定性（这违背其本质），而是将不确定性控制在可解释、可接受、可追溯的风险区间内。
39010编辑于 2026-06-08 - 来自专栏啄木鸟软件测试
大模型测试团队如何成功转型？
而随着大语言模型（LLM）深度融入产品架构——从智能客服、代码补全到AI原生应用（AI-Native Apps），测试的边界正被彻底重构。 这背后不是测试工作的缩减，而是测试范式的升维——从验证‘是否正确实现’，转向保障‘是否安全、可信、可控地涌现价值’。 一、为什么传统测试方法论在大模型面前集体失灵？ 3. 角色进化：从‘测试员’到‘AI质量产品经理’ 顶尖团队已出现新岗位：AI QA Strategist（AI质量策略师）。 某政务大模型测试中，AI自动生成的‘惠民政策解读’虽语法完美，但将‘阶段性补贴’误读为‘永久性福利’，此类隐性逻辑谬误需领域专家交叉验证。 结语：测试的终极使命从未改变 大模型没有颠覆测试的本质，反而将其升华。测试从来不只是关于‘发现错误’，而是关于‘建立信任’——对技术边界的清醒认知，对用户期待的精准回应，对社会价值的坚定守护。
48610编辑于 2026-03-31 - 来自专栏啄木鸟软件测试
大模型测试：性能优化的5大实战策略
引言 随着ChatGLM、Qwen、DeepSeek及Llama系列大语言模型在金融、政务、医疗等关键场景加速落地，模型测试已远超传统‘功能是否正确’的范畴——性能成为决定能否上线的核心瓶颈。 这些并非个例，而是大模型测试进入深水区的典型信号：性能不是附加项，而是可信AI的第一道防线。 一、明确性能基线：拒绝‘拍脑袋’指标 大模型性能测试首要误区是套用小模型标准。 二、分层注入式压测：从单卡到集群的穿透验证 传统压力测试常止步于API层，而大模型性能瓶颈常藏于框架底层。 FlashAttention-2），某电商客服系统通过切换策略将P99延迟降低53%； 3）CUDA层：使用Nsight Compute捕获kernel级瓶颈，曾定位到某自研算子因未启用Tensor 结语 大模型性能测试的本质，是构建‘可测量、可归因、可演进’的效能反馈闭环。
62310编辑于 2026-03-31 - 来自专栏听雨堂
测试数据——猜想大验证（3）
有数据，不妨测试一下，非常有趣： 1.各个信用等级的逾期率 其他的都比较符合预期，但A的偏高，我也很纳闷，把数据调出来，从高到低排是这样的： 借的量巨大，一旦逾期，在整个逾期率的计算中必然拖累整体。 如限制借款上限为6000，则逾期率就降低很多： 2.性别，女人比男人靠谱 3.借期，6月和12月是主体，但6月明显逾期率低。是不是借期短就意味着借的时候对还款就心中有数呢？
1.3K100发布于 2018-01-23 第13章 大模型在计算机视觉上的测试应用-3
13.5.2 SuperCLUE-Video评测标准 SuperCLUE-Video[14]是为中文视频生成模型设计的评测基准，旨在提供标准化的测试流程和评估指标，帮助研究人员和开发者更好地评估和比较不同模型的性能 13.6 总结 在本章，我们首先以ChatGPT和AIGC文生图为例，讲解如何将大模型应用到我们前面章节介绍的AI模型测试中。 大模型的技术更新速度令人瞩目，从2018年的GPT-1到2020年的GPT-3，模型的参数量从1.1亿个增长到了1750亿个，2年的时间内增长了1000多倍。 在中国，2023~2024年也迎来的“百模大战”的时代，基础大模型不断推出，比如：百度的“文心”大模型，阿里的“通义”大模型，腾讯的“混元”大模型，华为的“盘古”大模型，以及来自清华的ChatGLM等。 在单模态通用大模型的基础上，各个行业的垂直大模型也在不断涌现，如：教育大模型、工业大模型、医疗大模型、金融大模型、代码大模型等。同时，多模态大模型正成为当前大模型的最新的演进方向。
1.1K10编辑于 2025-04-15- 来自专栏Soul Joy Hub
【大模型AIGC系列课程 3-2】国产开源大模型：ChatGLM
GLM https://arxiv.org/pdf/2103.10360.pdf GLM是General Language Model的缩写，是一种通用的语言模型预训练框架。 这个图示说明了GLM预训练的过程，具体解释如下： a) 原始文本：给定一个原始文本，例如[x1, x2, x3, x4, x5, x6]。 在这个例子中，我们随机选择了两个连续的词片段[x3]和[x5, x6]作为样本。 b) 替换和洗牌：在Part A中，我们将被选择的词片段替换为[M]（表示遮盖）。 在这个例子中，我们将[x3]和[x5, x6]洗牌为[x5, x6]和[x3]。 c) 自回归生成：GLM使用自回归的方式生成Part B。 在生成过程中，模型可以根据之前生成的词片段和Part A中的上下文来预测下一个词片段。 d) 自注意力掩码：为了限制模型的注意力范围，
1K20编辑于 2023-08-28 蜕变测试：大模型时代解决测试预言难题的银弹
二、大模型蜕变测试的天然试验田 为什么大模型让测试预言问题雪上加霜 大模型的出现，将测试预言问题推向了新的极端： 输出空间爆炸：ChatGPT 对同一个问题可能生成数千种不同但都“合理”的回答 评判标准模糊 蜕变测试在大模型场景的自然优势 但大模型恰恰是蜕变测试最理想的应用场景，因为虽然我们不知道“正确答案”，但我们对“行为规律”有清晰的预期： 场景 1：语义等价变换 原始输入：“用 Python 写一个快速排序 第三阶段：大模型驱动的智能发现 大模型时代带来了质的飞跃：让 AI 来发现 AI 的测试规律。 方向 3：跨模型蜕变一致性测试 在模型迁移、升级场景中，利用蜕变关系验证新旧模型在关键行为上的一致性，确保升级不引入意外的回归问题。 结语 回到最初的问题：当我们无法定义“正确答案”时，如何做测试？ 在大模型时代，这种思维蜕变尤为关键： 保持技术敏感度：持续关注大模型的新能力和新风险，及时更新测试策略 培养关系思维：训练自己从“这个输出对吗”转向“这两个输出的关系合理吗” 拥抱 AI 辅助测试：让
47810编辑于 2026-04-21- 来自专栏啄木鸟软件测试
大模型测试常见误区，90%测试专家都踩过
然而，当传统测试方法被生搬硬套到大模型系统时，大量‘看似合理、实则失效’的测试实践正在悄然埋下质量隐患。 啄木鸟软件测试团队近两年深度参与6个行业级大模型应用项目（含某国有银行智能风控助手、省级12345政务大模型平台），发现超87%的测试团队在LLM测试中存在认知偏差或方法误用。 误区一：用‘功能点覆盖’替代‘能力域验证’ 传统Web/APP测试强调需求->功能点->用例的线性映射，但大模型没有明确‘功能边界’。 我们开发的‘ConvoStress’工具链可自动生成15类典型衰减模式（如‘连续5次追问同一问题后答案开始模糊’‘插入无关闲聊后专业术语使用率下降40%’），已在3个项目中提前捕获平均17.3个交互态缺陷 结语 大模型不是‘更聪明的API’，而是具备涌现性、状态依赖性与价值敏感性的新型认知组件。测试专家的核心竞争力，正从‘找Bug’升维为‘定义可信边界’。
26610编辑于 2026-06-15 - 来自专栏AI智能体开发
AI大模型的本地化测试
AI大模型本地化测试是确保模型在本地环境中能够正常运行、满足性能要求并符合预期功能的关键步骤。以下是AI大模型本地化测试的详细流程和方法。 3.测试数据：准备与任务相关的测试数据集。确保数据集覆盖各种边界情况和异常输入。三、测试内容与方法1.功能测试测试内容：验证模型是否能完成预期任务（如文本生成、分类、翻译等）。 测试方法：使用性能测试工具（如TensorRT、ONNX Runtime）进行基准测试。模拟高负载场景，测试模型的并发处理能力。3.稳定性测试测试内容：验证模型在长时间运行和高负载下的稳定性。 Locust：分布式负载测试工具。3.安全测试工具：Adversarial Robustness Toolbox：检测模型对抗样本的鲁棒性。OWASP ZAP：检查数据传输和存储的安全性。 2.Llama本地化测试：测试Llama模型在本地设备上的推理性能。检查模型对多语言输入的处理能力。通过以上测试流程和方法，可以确保AI大模型在本地化部署后能够稳定、高效地运行，并满足实际应用需求。
1.1K00编辑于 2025-03-08
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号