Загрузка задач оценки агентов

Набор данных Harbor представляет собой коллекцию задач для оценки ИИ-агентов: каждая задача предоставляет агенту инструкцию, изолированную среду для работы и верификатор, который оценивает его работу.

В отличие от табличных наборов данных, набор данных Harbor не является файлом, в котором каждая строка соответствует одному примеру: каждая задача представляет собой каталог. Билдер harbor читает такой репозиторий и возвращает по одной строке на задачу, благодаря чему бенчмарк можно исследовать, фильтровать и передавать так же, как и любой другой набор данных:

>>> from datasets import load_dataset
>>> dataset = load_dataset("harborframework/terminal-bench")
>>> dataset
DatasetDict({
    test: Dataset({
        features: ['name', 'instruction', 'description', 'keywords', 'schema_version', 'config', 'metadata', 'files', 'location'],
        num_rows: 66
    })
})

Загрузка набора данных Harbor только читает задачи: она никогда не запускает агента, не собирает образ и не выполняет верификатор, а также не требует установки Harbor. Для фактического запуска задач используйте библиотеку Harbor.

Конфигурации задач Harbor представляют собой файлы в формате TOML. Python 3.11 и более поздние версии читают их с помощью стандартной библиотеки (tomllib); в Python 3.10 необходимо установить парсер TOML как дополнительную зависимость. Ознакомьтесь с руководством по установке, чтобы узнать, как это сделать.

Структура репозитория

Каталог задачи определяется двумя файлами, task.toml и instruction.md, и обычно также содержит определение среды, верификатор и эталонное решение:

my-harbor-dataset/
├── README.md
└── tasks/
    ├── task-a/
    │   ├── task.toml          # configuration: metadata, resources, timeouts...
    │   ├── instruction.md     # what the agent is asked to do
    │   ├── README.md          # optional human-readable description
    │   ├── environment/       # Dockerfile / docker-compose.yaml + files of the sandbox
    │   ├── tests/             # verifier
    │   └── solution/          # oracle solution
    └── task-b/
        └── ...

Каталог распознаётся как набор данных Harbor, как только один из его подкаталогов, независимо от глубины вложенности, является каталогом задачи (файлы task.toml и instruction.md находятся рядом): задачи обнаруживаются автоматически, без необходимости перечислять какие-либо файлы.

Загрузка задач

Поскольку наборы данных Harbor состоят из каталогов, а не из файлов данных, они загружаются по пути — аргумент data_files не требуется:

>>> from datasets import load_dataset

>>> # a dataset repository on the Hub
>>> dataset = load_dataset("harborframework/terminal-bench")
>>> # a local directory of tasks
>>> dataset = load_dataset("/path/to/my-harbor-dataset")
>>> # the tasks of a repository that are in a sub-directory
>>> dataset = load_dataset("harborframework/terminal-bench", data_dir="tasks")

Явная передача data_files также поддерживается, при условии, что шаблон включает файлы task.toml и instruction.md — одна пара совпавших файлов даёт одну строку:

>>> dataset = load_dataset(
...     "/path/to/my-harbor-dataset",
...     data_files={"test": ["my-tasks-dir/*/task.toml", "my-tasks-dir/*/instruction.md"]},
... )

Столбцы

Каждая строка описывает одну задачу:

>>> dataset = load_dataset("harborframework/terminal-bench", split="test")
>>> dataset[0]["name"]
'terminal-bench/atrx-vep-crispr'
>>> dataset[0]["instruction"][:90]
'You are provided with a region of genomic DNA representing the human ATRX locus plus sequence'
>>> dataset[0]["config"]["task"]["authors"]
[{'name': 'ScaleAI', 'email': 'tbench@scale.com'}]
>>> dataset[0]["metadata"]["category"]
'Science'
>>> dataset[0]["config"]["environment"]
{'build_timeout_sec': 1800.0, 'cpus': 2, 'memory_mb': 4096, 'storage_mb': 10240, 'gpus': 0}
>>> dataset[0]["files"][:4]
['LICENSE.md', 'README.md', 'environment/Dockerfile', 'environment/data/CDS-information.txt']
>>> dataset[0]["location"]
'tasks/atrx-vep-crispr'

Весь task.toml доступен в config, поэтому ничего не теряется, когда задача использует поля, которые не вынесены в отдельные столбцы:

>>> dataset = dataset.map(lambda task: {"timeout_min": task["config"]["verifier"]["timeout_sec"] / 60})
>>> sorted(set(dataset["timeout_min"]))[:6]
[1.0, 2.0, 3.0, 4.0, 5.0, 7.0]

Фильтрация бенчмарка

Поскольку метаданные задачи загружаются в виде словаря, бенчмарк можно исследовать с помощью стандартных методов filter() и map():

>>> security_tasks = dataset.filter(lambda task: task["metadata"].get("category") == "Security")
>>> [task["name"] for task in security_tasks]
['terminal-bench/formal-crypto', 'terminal-bench/html-js-filter', 'terminal-bench/interleaved-vigenere', 'terminal-bench/shadow-relay', 'terminal-bench/uefi-bootkit']

Столбец files перечисляет всё, что входит в состав задачи, что удобно для изучения того, как задача проверяется:

>>> pytest_verifiers = dataset.filter(lambda task: any(f.startswith("tests/") and f.endswith(".py") for f in task["files"]))
>>> pytest_verifiers.num_rows
63

Чтение других файлов задачи

Загружаются только инструкция и конфигурация задачи в виде столбцов: файлы окружения, верификатора и решения перечислены в столбце files в виде путей, относительных к каталогу задачи. Соедините task_id и files, чтобы открыть любой из них с помощью fsspec:

>>> from huggingface_hub import hffs
>>> dataset_path = "hf://datasets/harborframework/terminal-bench"
>>> with hffs.open(f"{dataset_path}/tasks/cumulative-layout-shift/environment/Dockerfile", "r") as f:
...     print(f.read()[:20])
'# harbor-canary GUID

Конфигурация

HarborConfig принимает несколько аргументов в дополнение к стандартным для load_dataset:

• strip_canary (по умолчанию True): удаляет начальные строки с комментарием «benchmark data canary» из инструкций, так же, как это делает Harbor при отправке их агенту. Установите False, чтобы сохранить исходное содержимое файла.
• include_files (по умолчанию True): перечисляет все файлы каждой задачи в столбце files. Установите значение False, чтобы пропустить перечисление каталогов задач; это быстрее, если датасет находится на удалённой файловой системе или содержит тысячи файлов на задачу.

Задачи также можно загружать потоково, что позволяет избежать скачивания всего бенчмарка заранее:

>>> from datasets import load_dataset
>>> dataset = load_dataset("harborframework/terminal-bench", streaming=True)
>>> for task in dataset["test"]:
...     print(task["name"])

См. также

• Справочная документация по Harbor и HarborConfig.
• Документация Harbor о том, как запускать задачи бенчмарка с агентами и верификаторами.