Canonical: https://instain.ru/fr/ai/ragas/ Language: fr Vibrant Labs Bibliothèque d'évaluation des réponses des modèles # Ragas. Évaluation du lien de réponse avec le contexte de recherche 4.35 / 5 [Évaluation du catalogue](https://instain.ru/fr/ai/ragas/#editorial-rating) [Site officiel ](https://docs.ragas.io/en/latest/concepts/metrics/available_metrics/) La bibliothèque vous aide à évaluer le lien de recherche et de génération à partir d'exemples enregistrés. La métrique Faithfulness vérifie quelles affirmations sont dérivées des fragments trouvés. ![Aide Ragas avec la liste des métriques pour la recherche et la génération](https://instain.ru/assets/images/ragas-screen-a19c9babfdad-1200.webp) Aide Ragas avec la liste des métriques pour la recherche et la génération. [Ouvrir la source ](https://docs.ragas.io/en/latest/concepts/metrics/available_metrics/) ## Sauvegardez les fragments que le modèle a vus Sur la question du retour, l'assistant répond avec confiance, mais dans l'article trouvé, il n'y a pas de délai nommé par lui. Pour comprendre la raison, conservez la question, la réponse et les fragments qui sont vraiment entrés dans la requête du modèle. Dans Ragas, la métrique Faithfulness aide à trouver des énoncés sans s'appuyer sur ce contexte. Une vérification séparée de la recherche est nécessaire si le fragment correct n'a pas été trouvé ou s'il s'est avéré être en dessous des matériaux inutiles. ## Comment faire un test de formation Prenez les règles fictives du magasin et quelques demandes. Dans un exemple, la réponse ajoute un délai inexistant, dans l'autre, elle transmet correctement la règle trouvée, dans le troisième, une question supplémentaire est nécessaire. La marque manuelle est utile pour vérifier l'évaluation automatique. Après avoir changé la façon dont vous recherchez, comparez non seulement l'indicateur global, mais également les réponses individuelles aux mêmes questions. Il est donc plus facile de voir quel réglage a amélioré le contexte et quelles erreurs sont restées. ## Où l'estimation peut se tromper Si le document trouvé contient une règle obsolète, la réponse peut formellement bien y correspondre. Pour vérifier les faits, une source pertinente est également nécessaire. Le modèle d'évaluation peut également comprendre différemment la négation ou les conditions de l'exclusion. Choisissez plusieurs exemples pour le rapprochement manuel et stockez la version de la métrique avec le résultat. Pour les documents de service, décidez à l'avance s'il est possible de les transférer au fournisseur externe que vous utilisez pour l'évaluation et limitez l'ensemble de données. ## Pour quelles tâches convient-il - Trouver des réponses avec des affirmations non confirmées - Comparer deux options de recherche pour les mêmes questions Fonctionnalités ## Les points forts - Il existe des métriques distinctes pour répondre et rechercher - L'aide décrit en détail les entrées attendues et le calcul Il faut prendre en compte ## Limites - L'évaluation des modèles peut se tromper sur des exemples ambigus - La confirmation par le contexte ne signifie pas la véracité de la source ## Choix et conditions Mode gratuit Oui Période d'essai Non confirmé Sans inscription Non confirmé Interface en russe Non confirmé Installation locale Oui API Non confirmé « Non confirmé » signifie que les informations disponibles ne suffisent pas. La fonctionnalité peut exister ; vérifiez les conditions du développeur. Formats d’entrée Texte, Données Résultat Données, Texte ### Conditions La bibliothèque est disponible en tant que code ouvert. Les demandes de modèle d'évaluation externe peuvent être payées à ses tarifs. L'évaluation par modèle peut se tromper sur des exemples ambigus. De la tâche au premier résultat ## Exemple pratique Tâche Trouver des réponses avec des affirmations non confirmées Que préparer Questions de formation, conditions attendues, réponses correctes et erronées. ### Consigne ou requête Évaluez les réponses sur un critère approuvé. Répétez le parcours après avoir modifié les instructions et montrez les cas où l'évaluation a changé. ### Résultat attendu Liste des régressions avec des estimations et des exemples vérifiables. ### Comment vérifier le résultat - Vérifiez les notes avec le marquage manuel. - Laissez quelques cas limites en dehors du seuil de réglage. Cet exemple pédagogique préparé par la rédaction décrit une tâche ; il ne présente pas le résultat d’un test personnel du service. Vérifiez la disponibilité du mode requis, les droits sur les fichiers d’origine et les conditions d’utilisation du résultat. Vérifier les détails ## Sources officielles - [La documentation des métriques de Ragas ](https://docs.ragas.io/en/latest/concepts/metrics/available_metrics/) - [Le dépôt officiel de Ragas ](https://github.com/vibrantlabsai/ragas) - [Vérification du bien-fondé de la réponse ](https://docs.ragas.io/en/latest/concepts/metrics/available_metrics/faithfulness/) La description est faite à partir des matériaux du développeur. Les fonctionnalités, les prix et la disponibilité peuvent varier; vérifiez la source avant de l'utiliser. En bref sur l'outil Développeur Vibrant Labs Catégorie [Code](https://instain.ru/fr/category/code/) Accès Il faut des questions, des réponses et un contexte. Les exigences de référence, les modèles d'évaluation et les calculs dépendent des mesures. Paiement La bibliothèque est disponible en tant que code ouvert. Les demandes de modèle d'évaluation externe peuvent être payées à ses tarifs. API API non spécifiée [Termes du développeur ](https://docs.ragas.io/en/latest/concepts/metrics/available_metrics/faithfulness/) Évaluation du catalogue 4.35 / 5 Fonctionnalités 4.40 / 5 Scénarios de travail 4.20 / 5 Écosystème 4.30 / 5 Documentation 4.50 / 5 Les points sont le repère du catalogue. Ce ne sont pas des commentaires d'utilisateurs ou le résultat de tests personnels. [Voir la méthodologie ](https://instain.ru/fr/methodology/) Poursuivre la découverte ## Pour des tâches similaires [Toute la catégorie ](https://instain.ru/fr/category/code/) Code ### [DeepEval](https://instain.ru/fr/ai/deepeval/) Exemples de test et métriques de qualité pour les applications LLM 4.30 / 5 Cadre de vérification de régression des modèles Tâches similaires ; comparez les conditions, les formats et les limites