Las traducciones son generadas a través de traducción automática. En caso de conflicto entre la traducción y la version original de inglés, prevalecerá la version en inglés.
# Introducción
## Presente un trabajo de evaluación a través de SageMaker Studio
### Paso 1: Navegue hasta la evaluación desde su tarjeta modelo
Después de personalizar el modelo, vaya a la página de evaluación desde su tarjeta de modelo.
Para obtener información sobre el entrenamiento con modelos personalizados con pesas abiertas: [https://docs.aws.amazon.com/sagemaker/latest/dg/model-customize-open-weight-job.html](https://docs.aws.amazon.com/sagemaker/latest/dg/model-customize-open-weight-job.html)
SageMaker visualiza tu modelo personalizado en la pestaña Mis modelos:
Seleccione Ver la última versión y, a continuación, elija Evaluar:
### Paso 2: Envíe su trabajo de evaluación
Pulse el botón Enviar y envíe su trabajo de evaluación. Esto presenta un trabajo mínimo de referencia de MMLU.
Para obtener información sobre los tipos de trabajos de evaluación admitidos, consulte. [Tipos de evaluación y presentación de trabajos](model-customize-evaluation-types.md)
### Paso 3: Realice un seguimiento del progreso de su trabajo de evaluación
El progreso de su trabajo de evaluación se registra en la pestaña Pasos de evaluación:
### Paso 4: Vea los resultados de su trabajo de evaluación
Los resultados de su trabajo de evaluación se visualizan en la pestaña Resultados de la evaluación:
### Paso 5: Vea sus evaluaciones completadas
El trabajo de evaluación completado se muestra en Evaluaciones de su tarjeta modelo:
## Envíe su trabajo de evaluación a través del SDK de SageMaker Python
### Paso 1: Crea tu BenchMarkEvaluator
Pase su modelo entrenado registrado, la ubicación de salida de AWS S3 y el ARN de recursos de MLflow y, `BenchMarkEvaluator` a continuación, inicialícelo.
```
from sagemaker.train.evaluate import BenchMarkEvaluator, Benchmark
evaluator = BenchMarkEvaluator(
benchmark=Benchmark.MMLU,
model="arn:aws:sagemaker:::model-package//",
s3_output_path="s3:////eval/",
mlflow_resource_arn="arn:aws:sagemaker:::mlflow-tracking-server/",
evaluate_base_model=False
)
```
### Paso 2: Envíe su trabajo de evaluación
Utilice el `evaluate()` método para enviar el trabajo de evaluación.
```
execution = evaluator.evaluate()
```
### Paso 3: Realice un seguimiento del progreso de su trabajo de evaluación
Utilice el `wait()` método de ejecución para obtener una actualización en tiempo real del progreso del trabajo de evaluación.
```
execution.wait(target_status="Succeeded", poll=5, timeout=3600)
```
### Paso 4: Vea los resultados de su trabajo de evaluación
Utilice el `show_results()` método para mostrar los resultados de su trabajo de evaluación.
```
execution.show_results()
```