Carregar tarefas de avaliação de agentes

Um conjunto de dados Harbor é uma coleção de tarefas usadas para avaliar agentes de IA: cada tarefa fornece ao agente uma instrução, um ambiente sandbox para trabalhar e um verificador que pontua seu trabalho.

Diferentemente de datasets tabulares, um dataset Harbor não é um arquivo com uma linha por exemplo: cada tarefa é um diretório. O builder harbor lê esse repositório e gera uma linha por tarefa, de modo que um benchmark pode ser explorado, filtrado e compartilhado como qualquer outro dataset:

>>> 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
    })
})

Carregar um dataset do Harbor apenas lê as tarefas: ele nunca executa um agente, constrói uma imagem ou executa um verificador, e não requer que o Harbor esteja instalado. Use a biblioteca Harbor para executar as tarefas de fato.

As configurações de tarefas do Harbor são arquivos TOML. O Python 3.11 e versões posteriores os leem com a biblioteca padrão (tomllib); no Python 3.10, é necessário instalar um parser TOML como dependência extra. Consulte o guia de instalação para saber como instalá-lo.

Estrutura do repositório

Um diretório de tarefa é identificado por dois arquivos, task.toml e instruction.md, e geralmente também contém a definição do ambiente, o verificador e uma solução oracle:

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/
        └── ...

Um diretório é reconhecido como um conjunto de dados do Harbor assim que um de seus subdiretórios, independentemente da profundidade, for um diretório de tarefa (um arquivo task.toml e um arquivo instruction.md lado a lado): as tarefas são encontradas automaticamente, sem a necessidade de listar nenhum arquivo.

Carregar tarefas

Como os conjuntos de dados do Harbor são compostos por diretórios em vez de arquivos de dados, eles são carregados por caminho — sem o argumento data_files:

>>> 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")

Passar data_files explicitamente também é suportado, desde que o padrão inclua os arquivos task.toml e instruction.md — um par de arquivos correspondentes gera uma linha:

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

Colunas

Cada linha descreve uma tarefa:

>>> 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'

O arquivo task.toml completo está disponível em config, portanto, nada é perdido quando uma tarefa usa campos que não são promovidos para sua própria coluna:

>>> 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]

Filtrar um benchmark

Como os metadados da tarefa são carregados como um dicionário, um benchmark pode ser explorado com os métodos usuais filter() e 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']

A coluna files lista tudo o que a tarefa inclui, o que é útil para verificar como uma tarefa é validada:

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

Leia os outros arquivos de uma tarefa

Apenas a instrução e a configuração de uma tarefa são carregadas como colunas: seus arquivos de ambiente, verificador e solução são listados na coluna files, como caminhos relativos ao diretório da tarefa. Combine task_id e files para abrir qualquer um deles com 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

Configuração

HarborConfig aceita alguns argumentos além dos habituais de load_dataset:

• strip_canary (padrão True): remove as linhas de comentário iniciais “benchmark data canary” das instruções, da mesma forma que o Harbor faz ao enviá-las a um agente. Defina como False para manter o conteúdo original do arquivo.
• include_files (padrão True): lista todos os arquivos de cada tarefa na coluna files. Defina como False para pular a listagem dos diretórios das tarefas, o que é mais rápido quando o conjunto de dados está em um sistema de arquivos remoto ou possui milhares de arquivos por tarefa.

As tarefas também podem ser transmitidas em streaming, o que evita o download de todo o benchmark antecipadamente:

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

Veja também

• A documentação de referência de Harbor e HarborConfig.
• A documentação do Harbor para executar as tarefas de um benchmark com agentes e verificadores.