evaluating-code-models

Orchestra-Research/AI-Research-SKILLs/11-evaluation/bigcode-evaluation-harness

通过 HumanEval MBPP 等基准评估代码生成模型性能

Evaluates code generation models across HumanEval, MBPP, MultiPL-E, and 15+ benchmarks with pass@k metrics. Use when benchmarking code models, comparing coding abilities, testing multi-language support, or measuring code generation quality. Industry standard from BigCode Project used by HuggingFace leaderboards.

把下面的话发给 Claude Code、Codex 或 Cursor。智能体会先检查内容，经你确认再安装。

请帮我安装这个 Agent Skill：https://github.com/Orchestra-Research/AI-Research-SKILLs/tree/main/11-evaluation/bigcode-evaluation-harness

1. 先读取该目录下的 SKILL.md 和其他文件，检查是否有可疑内容（执行未知脚本、读取密钥、向外发送数据等），用中文告诉我它会做什么、需要哪些权限；
2. 等我确认后，再把整个目录安装到 ~/.claude/skills/evaluating-code-models/（如果你不是 Claude Code，安装到你自己约定的 skills 目录）；
3. 安装后告诉我怎么触发它。

安装到个人 Skill 目录（对所有项目生效）。只想在当前项目用，改为 .claude/skills/。

git clone --depth 1 --filter=blob:none --sparse https://github.com/Orchestra-Research/AI-Research-SKILLs.git /tmp/evaluating-code-models-src
cd /tmp/evaluating-code-models-src && git sparse-checkout set "11-evaluation/bigcode-evaluation-harness"
mkdir -p ~/.claude/skills && cp -r "11-evaluation/bigcode-evaluation-harness" ~/.claude/skills/evaluating-code-models

Skill 可以让智能体执行脚本。安装第三方 Skill 前务必看一遍内容，详见「安全」一课。

SKILL.md

在 GitHub 查看

正在从 GitHub 读取……