Le traduzioni sono generate tramite traduzione automatica. In caso di conflitto tra il contenuto di una traduzione e la versione originale in Inglese, quest'ultima prevarrà.

# Valutazione
<a name="customizing-models-evaluation"></a>

Dopo la formazione, la valutazione conferma che il modello personalizzato migliora le metriche importanti per il tuo caso d'uso, aiutandoti a rilevare le regressioni prima dell'implementazione e a confrontare le tecniche in modo obiettivo. La valutazione è disponibile tramite i percorsi Serverless e Recipes[. ](customize-model.md) [Opzioni di infrastruttura](customizing-models-infrastructure.md)

## Valutazione senza server
<a name="evaluation-serverless"></a>

Invia lavori di valutazione tramite la stessa [ infrastruttura ](customize-model.md) Serverless utilizzata per la formazione. Disponibile tramite l'interfaccia utente di ** Studio ** (Lavori → Valutazione del modello) o Python SDK.

Per istruzioni dettagliate, consulta i flussi di lavoro di valutazione in. [Personalizzazione del modello serverless](customize-model.md)

## SageMaker Lavori di formazione sull'intelligenza artificiale e valutazione HyperPod
<a name="evaluation-self-managed"></a>

Esegui la valutazione utilizzando ** Recipes ** con i seguenti tipi di valutazione:

Valutazione deterministica  
Confronta il tuo modello su attività standard tra cui * MMLU*, * MMLU Pro, * BBH, GPQA*, MATH * e iFEval. * * * * * * Supporta strategie zero-shot, few-shot e chain-of-thought.

LLM-as-Judge valutazione  
Utilizza un altro LLM per valutare i risultati del tuo modello in base a criteri soggettivi quali correttezza, completezza, fedeltà e utilità.

Valutazione dei set di dati personalizzati  
Valuta sul tuo set di dati utilizzando metriche personalizzate o funzioni di ricompensa preimpostate (,). `prime_math` `prime_code`

Per le ricette di valutazione e la configurazione, consulta la documentazione di [ SageMaker AI Recipes. ](https://docs.aws.amazon.com/sagemaker/latest/dg/sagemaker-hyperpod-recipes.html)