File size: 13,669 Bytes
d28c36c
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228
229
230
231
232
233
234
235
236
237
238
239
240
241
242
243
244
245
246
247
248
249
250
251
252
253
254
255
256
257
258
259
260
261
262
263
264
265
266
267
268
269
270
271
272
273
274
275
276
277
278
279
280
281
282
283
284
285
286
287
288
289
290
291
292
293
294
295
296
297
298
299
300
301
302
303
304
305
306
307
308
309
310
311
312
313
314
315
316
317
318
319
320
321
322
323
324
325
326
327
328
329
330
331
332
333
334
335
336
337
338
339
340
341
342
343
344
345
346
347
348
349
350
351
352
353
354
355
356
357
358
359
360
361
362
363
364
365
366
367
368
369
370
371
372
373
374
375
376
377
378
379
"""
Évaluation complète MCP avec 9 modèles
Inclut les modèles spécialisés MCP et les modèles généraux
Test réaliste avec commandes RTS typiques
"""

import sys
import os
import json
import time

sys.path.append(os.path.dirname(os.path.abspath(__file__)))

def test_model_comprehensive(model_path, model_name):
    """Test complet d'un modèle pour MCP"""
    
    try:
        from llama_cpp import Llama
        
        print(f"🧪 Test de {model_name}...")
        
        # Vérifier la taille du fichier
        file_size = os.path.getsize(model_path) / (1024*1024)
        print(f"   📏 Taille: {file_size:.0f} MB")
        
        # Initialiser avec timeout plus long pour les gros modèles
        llm = Llama(
            model_path=model_path,
            n_ctx=1024,
            n_threads=1,
            verbose=False,
            n_gpu_layers=0  # Forcer CPU pour comparaison juste
        )
        
        # Commandes RTS réelles avec différents niveaux de complexité
        test_commands = [
            {
                "name": "Commande simple",
                "command": "show game state",
                "expected": "get_game_state",
                "difficulty": "easy"
            },
            {
                "name": "Action avec coordonnées",
                "command": "move infantry to 150,200",
                "expected": "move_units",
                "difficulty": "easy"
            },
            {
                "name": "Attaque spécifique",
                "command": "attack enemy tank at position 300,150",
                "expected": "attack_unit",
                "difficulty": "medium"
            },
            {
                "name": "Construction",
                "command": "build power plant near my base at 100,100",
                "expected": "build_building",
                "difficulty": "medium"
            },
            {
                "name": "Commande complexe",
                "command": "defend base with all available units",
                "expected": "move_units",
                "difficulty": "hard"
            }
        ]
        
        results = []
        total_score = 0
        total_time = 0
        
        for test in test_commands:
            prompt = f"""You are an AI assistant for an RTS game using MCP (Model Context Protocol).

Available tools:
- get_game_state()
- move_units(unit_ids, target_x, target_y)
- attack_unit(attacker_ids, target_id)
- build_building(building_type, position_x, position_y)

User command: "{test['command']}"

Respond with JSON only: {{"tool": "tool_name", "args": {{}}}}"""
            
            start_time = time.time()
            
            try:
                response = llm(
                    prompt,
                    max_tokens=100,
                    temperature=0.1,
                    stop=["</s>", "<|im_end|>", "```"]
                )
                
                response_time = time.time() - start_time
                
                # Extraire la réponse
                try:
                    response_text = response['choices'][0]['text'].strip()
                except:
                    # Fallback pour différents formats de réponse
                    if hasattr(response, 'get'):
                        response_text = response.get('text', str(response))
                    else:
                        response_text = str(response)
                
                # Évaluer la réponse
                score = evaluate_mcp_response(response_text, test)
                
                total_score += score
                total_time += response_time
                
                print(f"   ✅ {test['name']}: {score}/10 ({response_time:.2f}s)")
                
                results.append({
                    'test': test['name'],
                    'difficulty': test['difficulty'],
                    'score': score,
                    'time': response_time,
                    'response': response_text[:100] + "..." if len(response_text) > 100 else response_text
                })
                
            except Exception as e:
                print(f"   ❌ {test['name']}: Erreur - {e}")
                results.append({
                    'test': test['name'],
                    'difficulty': test['difficulty'],
                    'score': 0,
                    'time': 0,
                    'error': str(e)
                })
        
        avg_score = total_score / len(test_commands)
        avg_time = total_time / len(test_commands)
        
        print(f"   📊 Moyenne: {avg_score:.1f}/10 | Temps: {avg_time:.2f}s")
        
        return {
            'name': model_name,
            'file_size_mb': file_size,
            'avg_score': avg_score,
            'avg_time': avg_time,
            'efficiency': avg_score / avg_time if avg_time > 0 else 0,
            'results': results
        }
        
    except Exception as e:
        print(f"❌ Erreur critique avec {model_name}: {e}")
        return {
            'name': model_name,
            'error': str(e),
            'avg_score': 0,
            'avg_time': 0,
            'efficiency': 0
        }

def evaluate_mcp_response(response, test):
    """Évaluation standardisée des réponses MCP"""
    
    if not response or response.strip() == "":
        return 0
    
    score = 0
    
    # JSON valide (3 points)
    try:
        json.loads(response)
        score += 3
    except:
        # Chercher JSON dans le texte
        import re
        json_match = re.search(r'\{[^}]*\}', response)
        if json_match:
            try:
                json.loads(json_match.group())
                score += 1
            except:
                pass
    
    # Outil correct (3 points)
    expected_tool = test['expected']
    if expected_tool in response:
        score += 3
    
    # Paramètres appropriés (2 points)
    if test['difficulty'] == 'easy':
        if '150,200' in response or 'game state' in response:
            score += 2
    elif test['difficulty'] == 'medium':
        if any(coord in response for coord in ['300,150', '100,100']):
            score += 2
    elif test['difficulty'] == 'hard':
        if 'units' in response and 'defend' in response:
            score += 2
    
    # Format correct (2 points)
    if 'tool' in response and 'args' in response:
        score += 2
    
    return min(score, 10)

def main():
    """Évaluation complète de tous les modèles"""
    
    print("🚀 ÉVALUATION COMPLÈTE MCP - 9 MODÈLES")
    print("=" * 70)
    print("Test avec modèles généraux et spécialisés MCP")
    print("=" * 70)
    
    # Tous les modèles à tester
    models = [
        # Modèles généraux (testés précédemment)
        {
            'name': 'Qwen2.5-0.5B',
            'path': 'qwen2.5-0.5b-instruct-q4_0.gguf',
            'type': 'general'
        },
        {
            'name': 'Qwen3-0.6B',
            'path': 'Qwen3-0.6B-Q8_0.gguf',
            'type': 'general'
        },
        {
            'name': 'Gemma-3-270M',
            'path': 'gemma-3-270m-it-qat-Q8_0.gguf',
            'type': 'general'
        },
        {
            'name': 'Qwen3-1.7B',
            'path': 'Qwen3-1.7B-Q4_0.gguf',
            'type': 'general'
        },
        
        # Modèles spécialisés MCP
        {
            'name': 'MCP-Instruct-v1',
            'path': 'mcp-instruct-v1.Q4_K_M.gguf',
            'type': 'mcp_specialized'
        },
        {
            'name': 'MCPR L-3B-Exa',
            'path': 'mcprl-3b-exa.Q2_K.gguf',
            'type': 'mcp_specialized'
        },
        {
            'name': 'Gemma-3n-E2B-it',
            'path': 'gemma-3n-E2B-it-UD-IQ2_XXS.gguf',
            'type': 'mcp_specialized'
        },
        {
            'name': 'Llama-Breeze2-3B',
            'path': 'Llama-Breeze2-3B-Instruct-Text.Q2_K.gguf',
            'type': 'general'
        },
        
        # Modèle spécialisé en code/structuré
        {
            'name': 'Qwen2.5-Coder-0.5B',
            'path': 'qwen2.5-coder-0.5b-instruct-q4_0.gguf',
            'type': 'code_specialized'
        }
    ]
    
    results = []
    
    for model in models:
        if os.path.exists(model['path']):
            result = test_model_comprehensive(model['path'], model['name'])
            result['type'] = model['type']
            results.append(result)
            print()
        else:
            print(f"❌ Modèle non trouvé: {model['path']}")
            print()
    
    # Analyse complète
    print("=" * 70)
    print("📊 RÉSULTATS COMPLETS")
    print("=" * 70)
    
    successful_results = [r for r in results if 'error' not in r and r['avg_score'] > 0]
    
    if successful_results:
        # Classement par performance
        sorted_by_score = sorted(successful_results, key=lambda x: x['avg_score'], reverse=True)
        
        print(f"\n🏆 CLASSEMENT PAR PERFORMANCE:")
        for i, result in enumerate(sorted_by_score, 1):
            print(f"   {i:2d}. {result['name']:20s} | {result['avg_score']:.1f}/10 | {result['avg_time']:.2f}s | {result['file_size_mb']:.0f}MB | {result['type']}")
        
        # Classement par efficacité
        sorted_by_efficiency = sorted(successful_results, key=lambda x: x['efficiency'], reverse=True)
        
        print(f"\n⚡ CLASSEMENT PAR EFFICACITÉ:")
        for i, result in enumerate(sorted_by_efficiency, 1):
            print(f"   {i:2d}. {result['name']:20s} | {result['efficiency']:.2f} score/s | {result['file_size_mb']:.0f}MB")
        
        # Analyse par type
        print(f"\n📈 ANALYSE PAR TYPE DE MODÈLE:")
        
        general_models = [r for r in successful_results if r['type'] == 'general']
        mcp_specialized = [r for r in successful_results if r['type'] == 'mcp_specialized']
        code_specialized = [r for r in successful_results if r['type'] == 'code_specialized']
        
        if general_models:
            avg_general = sum(r['avg_score'] for r in general_models) / len(general_models)
            print(f"   Modèles généraux ({len(general_models)}): {avg_general:.1f}/10 moyen")
        
        if mcp_specialized:
            avg_mcp = sum(r['avg_score'] for r in mcp_specialized) / len(mcp_specialized)
            print(f"   Spécialisés MCP ({len(mcp_specialized)}): {avg_mcp:.1f}/10 moyen")
        
        if code_specialized:
            avg_code = sum(r['avg_score'] for r in code_specialized) / len(code_specialized)
            print(f"   Spécialisés Code ({len(code_specialized)}): {avg_code:.1f}/10 moyen")
        
        # Meilleur modèle global
        best = sorted_by_score[0]
        most_efficient = sorted_by_efficiency[0]
        
        print(f"\n🎯 MEILLEUR MODÈLE GLOBAL: {best['name']}")
        print(f"   Score: {best['avg_score']:.1f}/10")
        print(f"   Temps: {best['avg_time']:.2f}s")
        print(f"   Taille: {best['file_size_mb']:.0f}MB")
        print(f"   Type: {best['type']}")
        
        print(f"\n⚡ MODÈLE LE PLUS EFFICACE: {most_efficient['name']}")
        print(f"   Efficacité: {most_efficient['efficiency']:.2f} score/s")
        
        # Recommandations finales
        print(f"\n💡 RECOMMANDATIONS FINALES:")
        
        if best['avg_score'] >= 7:
            print(f"✅ {best['name']} est EXCELLENT pour la production MCP")
        elif best['avg_score'] >= 5:
            print(f"👍 {best['name']} est BON pour la production MCP")
        else:
            print(f"⚠️  {best['name']} nécessite des améliorations")
        
        # Comparaison spécialisés vs généraux
        if mcp_specialized and general_models:
            best_specialized = max(mcp_specialized, key=lambda x: x['avg_score'])
            best_general = max(general_models, key=lambda x: x['avg_score'])
            
            print(f"\n🔬 SPÉCIALISÉS VS GÉNÉRAUX:")
            print(f"   Meilleur spécialisé MCP: {best_specialized['name']} ({best_specialized['avg_score']:.1f}/10)")
            print(f"   Meilleur général: {best_general['name']} ({best_general['avg_score']:.1f}/10)")
            
            if best_specialized['avg_score'] > best_general['avg_score']:
                print(f"   ✅ Les modèles spécialisés MCP sont meilleurs!")
            else:
                print(f"   🤔 Les modèles généraux performent aussi bien")
        
        # Analyse détaillée du meilleur
        print(f"\n📋 DÉTAILS DU MEILLEUR MODÈLE ({best['name']}):")
        for result in best['results']:
            status = "✅" if result['score'] >= 6 else "⚠️" if result['score'] >= 4 else "❌"
            print(f"   {status} {result['test']}: {result['score']}/10 ({result['time']:.2f}s)")
    
    # Sauvegarder résultats complets
    comprehensive_results = {
        'evaluation_type': 'comprehensive_mcp_test',
        'total_models_tested': len(models),
        'successful_models': len(successful_results),
        'results': results,
        'ranking_by_score': sorted_by_score if successful_results else [],
        'ranking_by_efficiency': sorted_by_efficiency if successful_results else [],
        'best_overall': best if successful_results else None,
        'most_efficient': most_efficient if successful_results else None
    }
    
    with open("comprehensive_mcp_evaluation.json", "w", encoding="utf-8") as f:
        json.dump(comprehensive_results, f, indent=2, ensure_ascii=False)
    
    print(f"\n📄 Résultats complets sauvegardés dans: comprehensive_mcp_evaluation.json")

if __name__ == "__main__":
    main()