jaakko/agentic-studio
1
0
Fork 0
Code Issues Pull Requests Actions Packages Projects Releases Wiki Activity
398 Commits 3 Branches 3 Tags
a8f731d38e07ae2d10b1b261b80c9b7035c41e43
Commit Graph

16 Commits

Author SHA1 Message Date
jaakko
a25c52cff4 CodeBench: mallikohtainen golden example (profiles.json → golden kenttä) 
qwen3-coder:30b → todo.md (annotaatiot)
qwen3:8b → todo-readme.md (GitHub README -muoto, tutuin koulutusdata)
Golden example ladataan dynaamisesti per malli pipelinen sisällä.
 2026-04-14 14:04:28 +03:00
jaakko
0c3303a640 CodeBench: tyhjennä VRAM automaattisesti ennen testiajoa 2026-04-14 14:00:38 +03:00
jaakko
ba48b737f2 CodeBench: --scenarios tukee yksittäistä skenaariota (todo/users/blog) 2026-04-14 13:58:38 +03:00
jaakko
92964e322f CodeBench: mallikohtaiset promptiprofiilit (profiles.json) 
- profiles.json: malli → profiili → prompti -mappaus
- code-small.md: tiivistetty prompti pienille malleille (8b, 4b)
- benchmark valitsee automaattisesti oikean promptin mallin perusteella
- qwen3-coder:30b → code.md (large), qwen3:8b → code-small.md (small)
 2026-04-14 13:54:26 +03:00
jaakko
1de7e5c90b CodeBench: nopea syntaksitarkistus ennen Docker-ajoa 
py_compile tarkistaa .py-tiedostot millisekunneissa.
Syntaksivirhe → suoraan itsekorjaukseen, ohitetaan Docker (~10s säästö).
 2026-04-14 12:52:03 +03:00
jaakko
e360896436 CodeBench Taso 4: itsekorjaava looppi — syötä pytest-virhe mallille 
Jos testit epäonnistuvat, LLM saa virheilmoituksen + koodin ja korjaa.
Max 3 korjauskierrosta. Testattu: qwen3:8b users 0/6 → korjaus → 6/6.
 2026-04-14 12:46:06 +03:00
jaakko
6a40ca5730 CodeBench: golden example markdown-muodossa (koodi + selitykset) 
todo.md yhdistää koodin ja annotaatiot: miksi pattern on valittu,
mitä EI saa tehdä. 1567 tokenia (vs raaka 1340, compact 335).
Benchmark lataa .md-version oletuksena, fallback erillisiin tiedostoihin.
 2026-04-14 12:38:25 +03:00
jaakko
0f3310996e CodeBench: oletus-URL 127.0.0.1 localhostin sijaan (Node 18 IPv6-ongelma) 2026-04-14 11:08:21 +03:00
jaakko
e2a16b8ff6 CodeBench: väliraportti jokaisen kierroksen jälkeen 
Näyttää mediaanin, kaikkien kierrosten pisteet ja trendin (▲▼─).
 2026-04-14 11:04:51 +03:00
jaakko
a0d3748faf CodeBench: --rounds N toistaa testiajot 1-10 kertaa 
Kierrosyhteenveto näyttää mediaanin, min/max ja pass-raten per kierros.
Käyttö: node benchmark.mjs --models qwen3:14b --scenarios all --rounds 3
 2026-04-14 11:03:00 +03:00
jaakko
01b4fb8e22 CodeBench: --compact tiivistää golden examplen templaatiksi 
Python: 1340 → 335 tokenia (−75%)
Rust: 3383 → 445 tokenia (−87%)
Käyttö: node benchmark.mjs --compact --models qwen3:4b
 2026-04-14 10:59:39 +03:00
jaakko
e7b33b7d6f CodeBench: Rust-tuki (--lang rust), golden example todo-rs, Dockerfile.cargo-test 
- golden-examples/todo-rs/: Axum 0.8 + SQLx + SQLite, 10 testiä
- prompts/code-rs.md: Rust-koodingenerointiprompt
- Dockerfile.cargo-test: rust:1.87-slim testikontti
- benchmark.mjs: --lang python|rust, kieliriippuvainen golden example,
  parseri tukee cargo test -tuloksia, src/ alihakemistot
 2026-04-14 10:55:50 +03:00
jaakko
d02f6a51c1 CodeBench: --think lippu thinking-moodin testaamiseen 
think:true + 3× token-raja (ajattelu vie ~2/3 tokeneista).
Käyttö: node benchmark.mjs --think --models qwen3:14b
 2026-04-14 10:12:44 +03:00
jaakko
8ba9ef83a3 CodeBench: num_ctx 16384 — rajoita konteksti-ikkuna VRAM-säästöksi 
256K konteksti varaa ~15 GB KV-cachea vaikka benchmark käyttää ~3K.
16K riittää hyvin ja säästää merkittävästi VRAM:ia.
 2026-04-14 09:49:30 +03:00
jaakko
f50dc884a3 CodeBench: automaattinen aikaleima ja arkistointi results/-kansioon 
Output-hakemisto /tmp/kipina-benchmark/2026-04-14T12-30/
Tulokset kopioidaan automaattisesti results/<aikaleima>.json/.html
 2026-04-14 09:47:32 +03:00
jaakko
7b27800390 Siirrä kipina-codebench projektin päätasolle 2026-04-14 09:44:14 +03:00