Allow for separate judge backend option - #1700

(venv) [ec2-user@ip-10-0-1-95 instructlab]$ ilab model evaluate --judge-model models/instructlab/granite-7b-lab --benchmark mt_bench --backend llama-cpp --judge-backend vllm
Generating answers...
WARNING 2024-07-12 22:22:51,358 evaluate.py:276: launch_server When using llama-cpp, we recommend setting max_workers to a maximum of 16
  0%|                                                                                                                                                     | 0/4 [00:00<?, ?it/s]
100%|█████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████| 4/4 [02:16<00:00, 34.06s/it]
Evaluating answers...
INFO 2024-07-12 22:25:16,422 vllm.py:149: run_vllm vLLM starting up on pid 3485 at http://127.0.0.1:36937/v1
100%|█████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████| 8/8 [00:18<00:00,  2.26s/it]
# SKILL EVALUATION REPORT

## MODEL
models/merlinite-7b-lab-Q4_K_M.gguf

### AVERAGE:
9.0 (across 1)

### TURN ONE:
9.0

### TURN TWO:
N/A

### ERROR RATE:
0.88