Docker представил новый подход к воспроизводимым AI-оценкам с помощью Docker Sandboxes.

Суть проблемы: даже после фиксации модели, промпта и метрики результаты могут варьироваться из-за разных окружений: версий Python, зависимостей и конфигурации системы.

Docker предлагает SBX AI Evaluation Kit, который описывает процесс в YAML. Оценка может выполняться локально или в Sandbox, а на выходе формируется структурированный артефакт с данными о:

* исполнителе;
* команде;
* stdout/stderr;
* коде выхода;
* времени выполнения;
* конфигурационном дайджесте.

Вам не нужно переписывать workflow при переключении между локальной машиной и Docker Sandbox.

Этот подход полезен для:

* сравнения промптов;
* регрессии;
* оценки агентов;
* проверок безопасности;
* экспериментов по генерации кода.

https://www.docker.com/blog/building-reproducible-ai-evaluation-workflows-with-docker-sandboxes/