书生大模型实战营——OpenCompass 评测 InternLM-1.8B 实践

本文最后更新于250 天前，其中的信息可能已经过时，如有错误请发送邮件到mapleleaf2333@gmail.com

本文参考实战营提供的教程：Tutorial/docs/L1/OpenCompass/readme.md at camp3 · InternLM/Tutorial (github.com)

基础任务：

使用 OpenCompass 评测 internlm2-chat-1.8b 模型在 ceval 数据集上的性能

进阶任务：

使用 OpenCompass 进行主观评测
使用 OpenCompass 评测 InternLM2-Chat-1.8B 模型使用 LMDeploy部署后在 ceval 数据集上的性能
使用 OpenCompass 进行调用API评测

1 大模型评测

根据模型类型不同进行划分：比如基座模型与对话模型
根据模型问题是否有固定答案，划分为：客观问答题、客观选择题、开放式主观题（需要引入人类评测和模型评测两种方法）
长文本评测：例如检测模型是否会在长文本中途插入无关的语句

2 OpenCompass概览

OpenCompass评估一个模型通常包括以下几个阶段：配置 -> 推理 -> 评估 -> 可视化：

配置：这是整个工作流的起点。您需要配置整个评估过程，选择要评估的模型和数据集。此外，还可以选择评估策略、计算后端等，并定义显示结果的方式。
推理与评估：在这个阶段，OpenCompass 将会开始对模型和数据集进行并行推理和评估。推理阶段主要是让模型从数据集产生输出，而评估阶段则是衡量这些输出与标准答案的匹配程度。这两个过程会被拆分为多个同时运行的“任务”以提高效率。
可视化：评估完成后，OpenCompass 将结果整理成易读的表格，并将其保存为 CSV 和 TXT 文件。

3 环境配置

通过以下命令配置环境：

conda create -n opencompass python=3.10
conda activate opencompass
conda install pytorch==2.1.2 torchvision==0.16.2 torchaudio==2.1.2 pytorch-cuda=12.1 -c pytorch -c nvidia -y

# 注意：一定要先 cd /root
cd /root
git clone -b 0.2.4 https://github.com/open-compass/opencompass
cd opencompass
pip install -e .

apt-get update
apt-get install cmake
pip install -r requirements.txt
pip install protobuf

4 数据准备

4.1 评测数据集

首先我们需要评测数据集，由于使用的是InternStudio开发机，可以直接在share文件夹中获取：

cp /share/temp/datasets/OpenCompassData-core-20231110.zip /root/opencompass/unzip OpenCompassData-core-20231110.zip

4.2 InternLM和ceval 相关的配置文件

通过下面命令可以列出所有跟 InternLM 及 C-Eval 相关的配置：

python tools/list_configs.py internlm ceval

运行结果如下所示：

5 开始评测

5.1 命令行评测

此节主要通过命令行评测internlm2-chat-1.8b 模型在 ceval 数据集上的性能

打开 opencompass文件夹下configs/models/hf_internlm/的hf_internlm2_chat_1_8b.py ,贴入以下代码：

from opencompass.models import HuggingFaceCausalLM


models = [
    dict(
        type=HuggingFaceCausalLM,
        abbr='internlm2-1.8b-hf',
        path="/share/new_models/Shanghai_AI_Laboratory/internlm2-chat-1_8b",
        tokenizer_path='/share/new_models/Shanghai_AI_Laboratory/internlm2-chat-1_8b',
        model_kwargs=dict(
            trust_remote_code=True,
            device_map='auto',
        ),
        tokenizer_kwargs=dict(
            padding_side='left',
            truncation_side='left',
            use_fast=False,
            trust_remote_code=True,
        ),
        max_out_len=100,
        min_out_len=1,
        max_seq_len=2048,
        batch_size=8,
        run_cfg=dict(num_gpus=1, num_procs=1),
    )
]

该段代码的作用是配置一个 Hugging Face 的因果语言模型，并提供了关于模型加载、分词器配置、输出长度、序列长度、批处理大小、以及运行时硬件配置的详细参数。

之后，我们可以通过以下命令评测 InternLM2-Chat-1.8B 模型在 C-Eval 数据集上的性能。在此之前我们需要先调整环境变量：

#环境变量配置
export MKL_SERVICE_FORCE_INTEL=1
export MKL_THREADING_LAYER=GNU

由于 OpenCompass 默认并行启动评估过程，我们可以在第一次运行时以 –debug 模式启动评估，并检查是否存在问题。在 –debug 模式下，任务将按顺序执行，并实时打印输出。

python run.py --datasets ceval_gen --models hf_internlm2_chat_1_8b --debug

运行时效果如下所示：

评测结果如下所示：

5.2 配置文件修改参数法进行评测

除了通过命令行配置实验外，OpenCompass 还允许用户在配置文件中编写实验的完整配置，并通过 run.py 直接运行它。配置文件是以 Python 格式组织的，并且必须包括 datasets 和 models 字段。本次测试配置在 configs文件夹中。此配置通过继承机制引入所需的数据集和模型配置，并以所需格式组合 datasets 和 models 字段。运行以下代码，在configs文件夹下创建eval_tutorial_demo.py

cd /root/opencompass/configstouch eval_tutorial_demo.py

打开eval_tutorial_demo.py 贴入以下代码

from mmengine.config import read_base

with read_base():
    from .datasets.ceval.ceval_gen import ceval_datasets
    from .models.hf_internlm.hf_internlm2_chat_1_8b import models as hf_internlm2_chat_1_8b_models

datasets = ceval_datasets
models = hf_internlm2_chat_1_8b_models

因此，运行任务时，我们只需将配置文件的路径传递给 run.py：

cd /root/opencompass
python run.py configs/eval_tutorial_demo.py --debug

运行结果与上一节类似

5.3 进阶任务（待更新）

正在加紧完成中…