llamacppctl/docs/EVAL_RUBRIC.md

Bewertungsrubrik für Modell-Prompt-Tests

Zweck: Modellwechsel (anderes Modell, andere Quantisierung, Balanced statt Aggressive, MTP, KV-Cache-Einstellungen) sollen an Zahlen entschieden werden, nicht an Bauchgefühl. Ohne Vorher-Nachher-Messung ist nicht feststellbar, ob eine Änderung verbessert oder verschlechtert hat.

Grundlage sind die Läufe unter ~/llamacppctl_prompt_tests/ gegen die Prompts in example_user_prompts/. Modelleignung siehe KI_TOOLS_PROFILES.md.

Zwei Ebenen

Objektiv — von scripts/eval_prompt_tests.py automatisch gemessen, keine Meinung nötig:

Metrik	Domäne	Bedeutung
Wortzahl, Abweichung vom Ziel	prosa, reden	Der Prompt nennt ein Ziel („etwa 1200 Wörtern").
Trunkierungsverdacht	alle	Text endet ohne Satzzeichen → Budget zu klein.
Tests laufen durch	coding	Der generierte Code wird wirklich ausgeführt.
Anteil bestandener Tests	coding	passed / (passed + failed).

Subjektiv — von Hand oder per LLM-Judge, Skala 1–5. Die Anker unten sind bewusst so formuliert, dass 3 „brauchbar, aber mit Mängeln" bedeutet; ein durchschnittlich guter Text landet nicht automatisch bei 4.

Skala

Punkte	Bedeutung
5	Kriterium durchgängig erfüllt; kein Eingriff nötig.
4	Erfüllt, mit einzelnen Schwächen, die den Gesamteindruck nicht tragen.
3	Brauchbar, aber erkennbare Mängel; Überarbeitung nötig.
2	Kriterium überwiegend verfehlt; Grundgerüst vorhanden.
1	Verfehlt.

Prosa

1. Show, don't tell — Innenleben ausschließlich über Handlung, Gegenstand, Wahrnehmung. 1 = benannte Gefühle („sie war traurig"); 5 = kein einziges benanntes Gefühl, Zustand trotzdem eindeutig.
2. Schlussbild — konkretes, bedeutungstragendes Bild statt Moral oder Zusammenfassung. 1 = explizite Lehre; 5 = Bild, das die Geschichte trägt.
3. Ton- und Registertreue — hält die geforderte Tonlage (z. B. „nüchtern, ohne Pathos") über den gesamten Text.
4. Sprachliche Präzision — konkrete Substantive, keine Füllattribute, keine Klischees.
5. Komposition — Aufbau trägt; kein Leerlauf, kein abrupter Abbruch.
6. Sprachrichtigkeit (Deutsch) — Grammatik, Kasus, Idiomatik. Eigener Punkt, weil abliterierte, primär englisch trainierte Modelle hier auffällig sind.

Reden

1. Argumentative Substanz — trägt der Gedankengang, oder reiht er Behauptungen?
2. Vorweggenommene Einwände — wird der stärkste Gegeneinwand benannt und beantwortet, nicht der schwächste?
3. Benannte Zielkonflikte — werden echte Interessengegensätze offen ausgesprochen statt harmonisiert?
4. Rhetorische Mittel — bewusst und sparsam eingesetzt (Trikolon, Anapher, Antithese), nicht dekorativ.
5. Adressatenbezug — Sprache, Beispiele und Anrede passen zum Publikum.
6. Sprachrichtigkeit (Deutsch) — siehe oben.

Coding

1. Korrektheit — primär aus dem automatischen Testlauf. Ein Modul, dessen eigene Tests durchfallen, kann in diesem Kriterium nicht über 2 kommen.
2. Anforderungsabdeckung — sind alle Punkte des Prompts umgesetzt?
3. Fehlerbehandlung — die im Prompt geforderten Fehlerfälle, sauber getrennt.
4. Testqualität — decken die Tests die genannten Fälle ab, und sind sie konsistent zum eigenen Code (richtiger Exception-Typ, Fixtures erfüllen das Schema)?
5. Keine Halluzinationen — keine erfundenen APIs, Signaturen, Framework-Aussagen oder Benchmark-Messwerte. Automatisch nicht prüfbar; erfundene Messwerte sind in den bisherigen Läufen wiederholt aufgetreten.
6. Lesbarkeit — Benennung, Struktur, Kommentardichte.

Durchführung

• Blind bewerten. Die Modellzuordnung steckt im Dateinamen; beim Scoren ausblenden (scripts/eval_prompt_tests.py --anonymize schreibt anonymisierte Kopien mit Zufalls-IDs und eine Auflösungstabelle).
• Ein Kriterium über alle Texte, nicht ein Text über alle Kriterien. Das hält den Maßstab konstant.
• LLM-Judge: möglich gegen den lokalen Server, aber der Judge darf nicht das bewertete Modell sein. Ein Modell bewertet seine eigenen Texte zu gut. Der Judge ersetzt die menschliche Stichprobe nicht — mindestens 20 % der Texte gegenlesen und die Übereinstimmung prüfen.
• Mindestens zwei Läufe pro Zelle, weil bei temp > 0 ein Einzellauf wenig aussagt. Für Coding-Vergleiche --seed fixieren.

Was die Zahlen nicht sagen

Ein bestandener Testlauf beweist, dass der Code seine eigenen Tests besteht — nicht, dass er korrekt ist. Wenn Modell und Test aus derselben Halluzination stammen, sind beide konsistent falsch. Kriterium 4 (Testqualität) ist deshalb nicht redundant zu Kriterium 1, sondern dessen Korrektiv.

Sicherheitshinweis

scripts/eval_prompt_tests.py führt modellgenerierten Code aus. Das ist der Sinn der Übung, aber es ist Codeausführung aus einer nicht vertrauenswürdigen Quelle. Der Runner arbeitet in einem temporären Verzeichnis, erzwingt ein Zeitlimit und verweigert den Start als root. Er bietet keine Netz- oder Dateisystem-Isolation. Wer die Läufe auf einem Rechner mit Produktionsdaten auswertet, sollte --no-exec verwenden oder das Skript in einem Container starten.