Headroom评测框架使用指南headroom.evals suite --tier 1 基准复现完整教程【免费下载链接】headroomCompress tool outputs, logs, files, and RAG chunks before they reach the LLM. 20% fewer tokens for coding agents, 60-95% fewer tokens for JSON, same answers. Library, proxy, MCP server.项目地址: https://gitcode.com/GitHub_Trending/head/headroomHeadroom 是一个在工具输出、日志、文件和 RAG 片段到达 LLM 之前进行压缩的开源项目可为编码代理节省约 20% token、为 JSON 节省 60-95% token且答案不变。它自带一套专业的评测框架headroom.evals用开源基准验证压缩不损失准确率。本文将带你从零开始完整复现 Tier 1 核心基准套件headroom.evals suite --tier 1并解读报告、接入 CI。一、评测框架是什么为什么需要它Headroom 的价值主张是省 token但答案不变。这句话不能只靠口头承诺而要靠可复现的基准测试来证明。官方评测框架就做这件事标准基准对比通过 lm-eval harness 跑 GSM8K、MMLU、HumanEval 等任务分别走直连 API和经 Headroom 代理两条链路对比准确率差异压缩基准Before/After同一条上下文原始版和压缩版分别让 LLM 回答用 F1、语义相似度、标准答案匹配判断信息是否保留零成本压缩测试CCR 无损往返、信息留存探测不需要调用任何 LLM。官方已在 headroom/evals/README.md 公布参考数据gpt-4o-mini 模型下GSM8K 基线 0.870 vs Headroom 0.870Δ 0.000SQuAD v2 准确率 97%、压缩率 19%BFCL 准确率 97%、压缩率 32%。下面我们来亲手复现。二、环境准备一键安装评测依赖1. 获取项目git clone https://gitcode.com/GitHub_Trending/head/headroom cd headroom2. 安装依赖评测框架是可选依赖extra 名为evals安装命令见 pyproject.toml# 推荐全家桶包含 evals pip install headroom-ai[all] # 或只装评测框架 pip install headroom-ai[evals] 提示[evals]会引入 datasets、sentence-transformers 等较重依赖。如果只跑标准基准Tier 1 的 lm-eval 部分还会用到 EleutherAI 的lm-eval[api]它被刻意排除在项目 extra 之外作为外部子进程调用需要时单独安装即可。3. 配置 API Key在项目根目录创建.env文件套件运行器会自动向上查找并加载OPENAI_API_KEYsk-... # 使用 OpenAI 模型时必填 ANTHROPIC_API_KEYsk-ant-... # 使用 Anthropic 模型时必填三、10 分钟跑通 Tier 1 基准复现方式 A推荐做法——先启动代理再跑评测评测通过 Headroom 代理执行时压缩路径走的是完整生产链路压缩 CCR 检索注入 缓存对齐结果最真实# 终端 1启动代理默认端口 8787 headroom proxy --port 8787 # 终端 2运行 Tier 1 全套约 $315~30 分钟 python -m headroom.evals suite --tier 1 -o eval_results/方式 B自动拉起代理不启动代理也没关系SuiteRunner会自动检测端口、失败时自动拉起代理子进程并在结束后清理见 headroom/evals/suite_runner.pypython -m headroom.evals suite --tier 1 -o eval_results/常用参数速查参数说明默认值--tier最大层级1核心~$3、2扩展~$8、3全量~$171--model评测用模型gpt-4o-mini--budget美元预算上限超预算的基准自动跳过20.0--portHeadroom 代理端口8787--no-proxy不自动启动代理关闭--ciCI 模式任一基准失败则退出码为 1关闭-o报告输出目录不输出CLI 入口实现在 headroom/evals/main.py完整帮助可随时python -m headroom.evals suite --help查看。四、Tier 1 套件里到底测了哪些基准Tier 1 共 9 项基准定义见 headroom/evals/suite_runner.py 中的BENCHMARK_SUITE基准类型验证内容样本数GSM8Klm-eval数学推理100TruthfulQAlm-eval事实准确性100MMLUlm-eval57 学科知识~114ARC-Challengelm-eval科学推理100HumanEvallm-eval代码生成pass1164SQuAD v2Before/After压缩后的阅读理解100BFCLLLM-as-Judge压缩 schema 下的函数调用100Tool OutputsBefore/After 代理真实工具输出压缩8CCR Round-trip零成本无损异常保留须 100%50判定标准Pass 阈值F1 分数 0.7语义相似度嵌入余弦 0.85标准答案出现在回答中LLM Judge 打分 ≥ 31-5 分制无损测试CCR必须 100% 字节级一致五、结果报告怎么看指定-o eval_results/后框架会生成 Markdown、JSON、HTML 三种格式的报告卡生成逻辑在 headroom/evals/reports/report_card.py。报告包含每个基准一行基线分数 vs Headroom 分数、Δ 值、压缩率、节省 token 数、PASS/FAIL 徽章总体统计总花费美元、总耗时、通过率成本追踪内置 headroom/evals/cost_tracker.py 按预算扣费剩余预算不足时该基准会被标记为Budget exceeded跳过避免失控。运行结束时标准输出也会打印一份 Markdown 摘要和成本汇总可直接贴进 PR 描述或周会材料。六、进阶接入 CI 与快速冒烟CI 模式基准回归即红灯python -m headroom.evals suite --tier 1 --ci任一基准未通过就以退出码 1 结束可直接放进流水线。官方 README 还给出了一个零成本的 CCR 无损往返检查作为 PR 级冒烟测试适合在改动headroom/transforms/**时触发。快速冒烟10 秒健康检查正式跑套件前建议先用quick命令确认链路正常# 8 个样本的快速验证约 10 秒 python -m headroom.evals quick -n 8 --provider openai --model gpt-4o-mini # 列出所有可用数据集 python -m headroom.evals listquick的准确率保留率低于 90% 时同样会以退出码 1 警告。七、常见问题 FAQQ1不想启动代理能跑吗能。Before/After 类基准会自动回退为本地压缩无 CCR 检索注入但 Tier 1 的 lm-eval 部分必须经代理否则会跳过并提示headroom proxy --port 8787。Q2花费怎么控制--budget参数默认 $20是硬上限CCR Round-trip 这类零成本基准永不产生费用。Tier 1 参考成本约 $3。Q3数据集从哪里来内置 12 个数据集加载器HuggingFace 自动下载 内置工具输出样本注册表在 headroom/evals/datasets.py涵盖 RAGsquad、msmarco、hotpotqa、工具调用bfcl、toolbench、长上下文longbench和代码codesearchnet。Q4还能做别的评测吗可以。headroom evalsCLI 组headroom/cli/evals.py还提供memoryLoCoMo 长期记忆评测、adversarial压缩器对抗鲁棒性网格离线确定性运行、probes对真实录制的会话做留存打分等子命令配合 headroom/evals/session_probes.py 可以离线量化你的真实会话里压缩到底丢没丢信息。八、小结步骤命令成本/耗时安装pip install headroom-ai[evals]—冒烟python -m headroom.evals quick -n 8~10 秒复现 Tier 1python -m headroom.evals suite --tier 1 -o eval_results/~$3 / 15-30 分钟CI 回归同上 --ci退出码把关用一条命令就能得到压缩后准确率无损的完整证据链这正是 Headroom 评测框架的设计目标。跑完 Tier 1 后可按需升级到--tier 2HotpotQA、MS MARCO、CodeSearchNet和--tier 3HellaSwag、NarrativeQA、TriviaQA做深度验证。【免费下载链接】headroomCompress tool outputs, logs, files, and RAG chunks before they reach the LLM. 20% fewer tokens for coding agents, 60-95% fewer tokens for JSON, same answers. Library, proxy, MCP server.项目地址: https://gitcode.com/GitHub_Trending/head/headroom创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考 Headroom评测框架使用指南：headroom.evals suite --tier 1 基准复现完整教程
Headroom评测框架使用指南headroom.evals suite --tier 1 基准复现完整教程【免费下载链接】headroomCompress tool outputs, logs, files, and RAG chunks before they reach the LLM. 20% fewer tokens for coding agents, 60-95% fewer tokens for JSON, same answers. Library, proxy, MCP server.项目地址: https://gitcode.com/GitHub_Trending/head/headroomHeadroom 是一个在工具输出、日志、文件和 RAG 片段到达 LLM 之前进行压缩的开源项目可为编码代理节省约 20% token、为 JSON 节省 60-95% token且答案不变。它自带一套专业的评测框架headroom.evals用开源基准验证压缩不损失准确率。本文将带你从零开始完整复现 Tier 1 核心基准套件headroom.evals suite --tier 1并解读报告、接入 CI。一、评测框架是什么为什么需要它Headroom 的价值主张是省 token但答案不变。这句话不能只靠口头承诺而要靠可复现的基准测试来证明。官方评测框架就做这件事标准基准对比通过 lm-eval harness 跑 GSM8K、MMLU、HumanEval 等任务分别走直连 API和经 Headroom 代理两条链路对比准确率差异压缩基准Before/After同一条上下文原始版和压缩版分别让 LLM 回答用 F1、语义相似度、标准答案匹配判断信息是否保留零成本压缩测试CCR 无损往返、信息留存探测不需要调用任何 LLM。官方已在 headroom/evals/README.md 公布参考数据gpt-4o-mini 模型下GSM8K 基线 0.870 vs Headroom 0.870Δ 0.000SQuAD v2 准确率 97%、压缩率 19%BFCL 准确率 97%、压缩率 32%。下面我们来亲手复现。二、环境准备一键安装评测依赖1. 获取项目git clone https://gitcode.com/GitHub_Trending/head/headroom cd headroom2. 安装依赖评测框架是可选依赖extra 名为evals安装命令见 pyproject.toml# 推荐全家桶包含 evals pip install headroom-ai[all] # 或只装评测框架 pip install headroom-ai[evals] 提示[evals]会引入 datasets、sentence-transformers 等较重依赖。如果只跑标准基准Tier 1 的 lm-eval 部分还会用到 EleutherAI 的lm-eval[api]它被刻意排除在项目 extra 之外作为外部子进程调用需要时单独安装即可。3. 配置 API Key在项目根目录创建.env文件套件运行器会自动向上查找并加载OPENAI_API_KEYsk-... # 使用 OpenAI 模型时必填 ANTHROPIC_API_KEYsk-ant-... # 使用 Anthropic 模型时必填三、10 分钟跑通 Tier 1 基准复现方式 A推荐做法——先启动代理再跑评测评测通过 Headroom 代理执行时压缩路径走的是完整生产链路压缩 CCR 检索注入 缓存对齐结果最真实# 终端 1启动代理默认端口 8787 headroom proxy --port 8787 # 终端 2运行 Tier 1 全套约 $315~30 分钟 python -m headroom.evals suite --tier 1 -o eval_results/方式 B自动拉起代理不启动代理也没关系SuiteRunner会自动检测端口、失败时自动拉起代理子进程并在结束后清理见 headroom/evals/suite_runner.pypython -m headroom.evals suite --tier 1 -o eval_results/常用参数速查参数说明默认值--tier最大层级1核心~$3、2扩展~$8、3全量~$171--model评测用模型gpt-4o-mini--budget美元预算上限超预算的基准自动跳过20.0--portHeadroom 代理端口8787--no-proxy不自动启动代理关闭--ciCI 模式任一基准失败则退出码为 1关闭-o报告输出目录不输出CLI 入口实现在 headroom/evals/main.py完整帮助可随时python -m headroom.evals suite --help查看。四、Tier 1 套件里到底测了哪些基准Tier 1 共 9 项基准定义见 headroom/evals/suite_runner.py 中的BENCHMARK_SUITE基准类型验证内容样本数GSM8Klm-eval数学推理100TruthfulQAlm-eval事实准确性100MMLUlm-eval57 学科知识~114ARC-Challengelm-eval科学推理100HumanEvallm-eval代码生成pass1164SQuAD v2Before/After压缩后的阅读理解100BFCLLLM-as-Judge压缩 schema 下的函数调用100Tool OutputsBefore/After 代理真实工具输出压缩8CCR Round-trip零成本无损异常保留须 100%50判定标准Pass 阈值F1 分数 0.7语义相似度嵌入余弦 0.85标准答案出现在回答中LLM Judge 打分 ≥ 31-5 分制无损测试CCR必须 100% 字节级一致五、结果报告怎么看指定-o eval_results/后框架会生成 Markdown、JSON、HTML 三种格式的报告卡生成逻辑在 headroom/evals/reports/report_card.py。报告包含每个基准一行基线分数 vs Headroom 分数、Δ 值、压缩率、节省 token 数、PASS/FAIL 徽章总体统计总花费美元、总耗时、通过率成本追踪内置 headroom/evals/cost_tracker.py 按预算扣费剩余预算不足时该基准会被标记为Budget exceeded跳过避免失控。运行结束时标准输出也会打印一份 Markdown 摘要和成本汇总可直接贴进 PR 描述或周会材料。六、进阶接入 CI 与快速冒烟CI 模式基准回归即红灯python -m headroom.evals suite --tier 1 --ci任一基准未通过就以退出码 1 结束可直接放进流水线。官方 README 还给出了一个零成本的 CCR 无损往返检查作为 PR 级冒烟测试适合在改动headroom/transforms/**时触发。快速冒烟10 秒健康检查正式跑套件前建议先用quick命令确认链路正常# 8 个样本的快速验证约 10 秒 python -m headroom.evals quick -n 8 --provider openai --model gpt-4o-mini # 列出所有可用数据集 python -m headroom.evals listquick的准确率保留率低于 90% 时同样会以退出码 1 警告。七、常见问题 FAQQ1不想启动代理能跑吗能。Before/After 类基准会自动回退为本地压缩无 CCR 检索注入但 Tier 1 的 lm-eval 部分必须经代理否则会跳过并提示headroom proxy --port 8787。Q2花费怎么控制--budget参数默认 $20是硬上限CCR Round-trip 这类零成本基准永不产生费用。Tier 1 参考成本约 $3。Q3数据集从哪里来内置 12 个数据集加载器HuggingFace 自动下载 内置工具输出样本注册表在 headroom/evals/datasets.py涵盖 RAGsquad、msmarco、hotpotqa、工具调用bfcl、toolbench、长上下文longbench和代码codesearchnet。Q4还能做别的评测吗可以。headroom evalsCLI 组headroom/cli/evals.py还提供memoryLoCoMo 长期记忆评测、adversarial压缩器对抗鲁棒性网格离线确定性运行、probes对真实录制的会话做留存打分等子命令配合 headroom/evals/session_probes.py 可以离线量化你的真实会话里压缩到底丢没丢信息。八、小结步骤命令成本/耗时安装pip install headroom-ai[evals]—冒烟python -m headroom.evals quick -n 8~10 秒复现 Tier 1python -m headroom.evals suite --tier 1 -o eval_results/~$3 / 15-30 分钟CI 回归同上 --ci退出码把关用一条命令就能得到压缩后准确率无损的完整证据链这正是 Headroom 评测框架的设计目标。跑完 Tier 1 后可按需升级到--tier 2HotpotQA、MS MARCO、CodeSearchNet和--tier 3HellaSwag、NarrativeQA、TriviaQA做深度验证。【免费下载链接】headroomCompress tool outputs, logs, files, and RAG chunks before they reach the LLM. 20% fewer tokens for coding agents, 60-95% fewer tokens for JSON, same answers. Library, proxy, MCP server.项目地址: https://gitcode.com/GitHub_Trending/head/headroom创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考