Hacktoberfest 2026: le issue che i maintainer hanno segnato per ottobre, aperte e adatte ai principianti. Sfoglia le issue Hacktoberfest

azure-ai-evaluation: PromptyEvaluatorBase falls back to the first digit anywhere in the judge's reply, and the threshold turns a stray digit into a wrong pass/fail (15 evaluators)

Aperta Adatta ai principianti
  • Qualcosa non va?
#49,153 1 commento 1 reazione 0 assegnatari Vedi su GitHub

I maintainer di solito rispondono entro 1 giorno

Nessuno ha ancora preso questa issue.

Valutazione

Difficoltà
2/5
Tempo stimato
1-3 ore
Idoneità per principianti
75/100
Tipo di issue
Bug
Chiarezza
Specificata chiaramente
Stato di attività
Attiva
Stack tecnologico
python
Ambito
ai, testing-qa

Direzione di ricerca

Il bug si trova in sdk/evaluation/azure-ai-evaluation/azure/ai/evaluation/_evaluators/_common/_base_prompty_eval.py alle righe 196-198. Inizia leggendo il metodo _do_eval e comprendendo il fallback regex. Scrivi un test che riproduca le risposte problematiche del giudice elencate nell'issue. La correzione dovrebbe migliorare l'espressione regolare per trovare il punteggio previsto, non la prima cifra. Controlla i quindici valutatori che ereditano da PromptyEvaluatorBase per assicurarti che la correzione si applichi a tutti. Esegui i test esistenti per verificare che non ci siano regressioni.

Scritto dal modello di indicizzazione a partire dal testo della issue.

Descrizione

Evaluation Service Attention

sdk/evaluation/azure-ai-evaluation/azure/ai/evaluation/_evaluators/_common/_base_prompty_eval.py (HEAD 4993311), _do_eval:

  • line 188 — structured path: score = parsed_output.get("score", math.nan) ✓
  • lines 196-198 — fallback when the reply is not parseable JSON: 
    match = re.search(r"\d", llm_output)
if match:
    score = float(match.group())
  • lines 115-123 — the score is then compared to self._threshold (default 3) to produce the boolean result.

re.search(r"\d", …) returns the first digit anywhere in the text. The prompts ask for a bare integer, but nothing enforces it, and judge models routinely add reasoning before the number.

Measured

The fallback expression executed verbatim, with the threshold applied as at lines 115-123:

reply                                                                      first-digit score   >= 3 ?
'5'                                                                        5.0                 pass   (correct)
'The answer is grounded. 5'                                                5.0                 pass   (correct)
'The answer makes 3 claims, all supported by the context. Score: 5'        3.0                 pass   (score wrong: judge said 5)
'2 of the statements are unsupported, so this is not grounded: 1'          2.0                 fail   (score wrong: judge said 1)
'Score: 4 (one minor gap)'                                                 4.0                 pass   (correct)
'10 out of 10'                                                             1.0                 fail   (wrong: reads "10" as 1)
'0'                                                                        0.0                 fail   (out of range, no check)

Rows 3 and 4 are the point: the judge's verdict is correct, the recorded score is a number lifted from its explanation, and the pass/fail derived from it can differ from what the judge concluded. There is also no range check, so 0 and 7 are accepted on a 1–5 scale, and 10 becomes 1.

Stated plainly: I ran the fallback expression rather than importing the package; it is a two-line regex and the class wrapper does not alter it.

Who inherits this

grep -rl PromptyEvaluatorBase _evaluators/ — fifteen: coherence, fluency, groundedness, intent_resolution, relevance, response_completeness, retrieval, similarity, task_adherence, task_completion, tool_call_accuracy, tool_call_success, tool_input_accuracy, tool_output_utilization, tool_selection. One base class, one fix site.

Related

The deprecated promptflow-evals carried the identical re.search(r"\d") in five evaluators; this SDK inherited it into the base class and added the threshold on top, which is what turns a wrong number into a wrong verdict.

Suggested fix

In the fallback, prefer an anchored or labelled match before a bare digit: re.fullmatch(r"\s*(\d+)\s*", llm_output) (the whole reply is the number), then re.search(r"[Ss]core\s*[:=]?\s*(\d+)", llm_output), then the last number in the reply rather than the first; validate the result against the evaluator's declared range and return math.nan (which the aggregation already skips) with the raw reply in the reason field when it fails. One parametrized test with rows 3 and 4 above would pin it.

Happy to open the PR.

Lingua principale
Python
Stelle
5.6k
Fork
3.4k
Merge medio
1g 21h
PR unite (30g)
208

Preparare l'ambiente

Apri in Codespaces

Avvia il container di sviluppo del progetto nel browser, con il tuo account GitHub.

Come iniziare

  1. Leggi tutta la issue e poi la guida ai contributi del progetto.
  2. Commenta sulla issue per dire che te ne occupi tu — evita che due persone facciano lo stesso lavoro.
  3. Fai un fork del repository e lavora su un branch.
  4. Apri una pull request che faccia riferimento al numero della issue.

Altre issue di Azure/azure-sdk-for-python

Tutte le issue di Azure/azure-sdk-for-python

Issue simili

Altre issue su Python

Ricevi le nuove issue nella tua casella

Un breve riepilogo di issue GitHub adatte ai principianti.