【LLM】手搓一个LLM Eval

手搓一个LLM Eval

TinyEval：简单的LLM评测框架
github项目地址：https://github.com/datawhalechina/tiny-universe/blob/main/content/TinyEval/readme.md

项目的动机

刚进入LLM领域时，你可能会遇到一些困惑：

1. 各种评测指标五花八门，让人眼花缭乱。
2. 除了rouge、bleu外，不知道该如何选择其他评测指标。
3. 想让LLM做选择题，结果模型输出了一堆内容，如何评估它的选择能力？
4. 各种模型和领域任务千差万别，除了human_eval，如何为个性化任务提供有说服力的定量性能指标？

本项目就是为了解决这些问题的！

评测流程概述

评测任务的基础流程如下图所示：

1. 根据数据集任务类型，确定合适的评测指标。
2. 根据数据形式，编写模型引导prompt。
3. 根据模型初步预测结果，设计合理的抽取方式。
4. 对预测结果与标准答案进行评分。

上述步骤覆盖了TinyEval仓库的所有模块。

支持的数据集与评测指标

相关数据集可以在./Eval/dataset/找到，目前已有的数据集及类型如下：

数据集名称	类型	评测指标
multi_news	长文本问答	Rouge
multifieldqa_zh	短文本问答	F1
trec	生成式选择题	Accuracy

你可以根据任务需求探索这些数据集，接下来我会为大家详细讲解评测步骤！

详细的评测过程

可能你会有这样的疑问：

• 为什么F1能用于生成式任务？
• accuracy不是用来评估分类任务的吗？怎么用在生成式任务里？

下面我们一起来解答这些问题。如果你已经熟悉基础知识，可以先行探索相关代码./Eval/metrics.py。

1. 生成式任务的F1评分

1.1 模型推理

对于评测数据集，首先需要构造引导性prompt，用于引导LLM生成我们期望的答案。大多数已有的数据集都提供了相应的prompt，但在自定义数据集时，可以自行设计。以multifieldqa_zh为例，它的prompt如下：

阅读以下文字并用中文简短回答：\n\n{context}\n\n现在请基于上面的文章回答下面的问题，只告诉我答案，不要输出任何其他字词。\n\n问题：{input}\n回答：

接下来，设置模型的输入长度。通常可以设置为模型的最大长度，通常在模型的config.json文件中查询。例如，此处我们将其设为2048用于演示。

然后创建模型类，灵活支持不同模型的组装：

class BaseLLM:
    def __init__(self, path: str, model_name: str) -> None:
        self.path = path
        self.model_name = model_name

    def build_chat(self, tokenizer: str, prompt: str, model_name: str):
        pass

    def load_model_and_tokenizer(self, path: str, model_name: str, device):
        pass

    def post_process(self, response: str, model_name: str):
        pass

    def get_pred(self, data: list, max_length: int, max_gen: int, prompt_format: str, device, out_path: str):
        pass

其中重点是get_pred函数，它处理推理过程，截断策略尤为重要，确保保留输入两端的关键信息：

def get_pred(self, data, max_length, max_gen, prompt_format, device, out_path):
    model, tokenizer = self.load_model_and_tokenizer(self.path, device)
    for json_obj in tqdm(data):
        prompt = prompt_format.format(**json_obj)
        tokenized_prompt = tokenizer(prompt, truncation=False, return_tensors="pt").input_ids[0]
        if len(tokenized_prompt) > max_length:
            half = int(max_length/2)
            prompt = tokenizer.decode(tokenized_prompt[:half], skip_special_tokens=True)+tokenizer.decode(tokenized_prompt[-half:], skip_special_tokens=True)

        prompt = self.build_chat(prompt)

        input = tokenizer(prompt, truncation=False, return_tensors="pt").to(device)
        output = model.generate(
            **input,
            max_new_tokens=max_gen,
            do_sample=False,
            temperature=1.0,
            eos_token_id=[tokenizer.eos_token_id],
        )[0]
        
        pred = tokenizer.decode(output[context_length:], skip_special_tokens=True)
        pred = self.post_process(pred)
        
        with open(out_path, "a", encoding="utf-8") as f:
            json.dump({"pred": pred, "answers": json_obj["answers"], "all_classes": json_obj["all_classes"], "length": json_obj["length"]}, f, ensure_ascii=False)
            f.write('\n')

1.2 结果评测

让我们以一个例子为例：

"pred": "57081.86元", "answers": "人民币57081.86元。"

经过数据清洗后，预测结果和答案会被分词，然后通过F1评分函数进行评估：

def f1_score(prediction, ground_truth, **kwargs):
    common = Counter(prediction) & Counter(ground_truth)
    num_same = sum(common.values())
    if num_same == 0:
        return 0
    precision = 1.0 * num_same / len(prediction)
    recall = 1.0 * num_same / len(ground_truth)
    f1 = (2 * precision * recall) / (precision + recall)
    return f1

最终计算F1得分，并取平均值作为任务的总得分。

2. 思考

当前的评分指标存在局限性，例如如果答案是"厦门大学"，而预测是"厦大"或"不是厦门大学"，F1分数无法精确反映模型的表现。

提高评测指标的准确性是学术界的持续目标，本项目也会随着更先进的评测策略不断更新，欢迎贡献PR！

🚀 如何运行

1. 运行模型推理

python inference.py

2. 运行评测

python eval.py

支持的评测指标

1. F1 Score
2. Rouge系列/Blue系列
3. Accuracy

支持自定义评测

该项目支持自定义数据集的评测。如果你有自定义的SFT数据，命名为custom_zh（中文）或custom_en（英文），数据格式如下：

{
    "instruction": "假设你是皇帝身边的女人--甄嬛",
    "input": "你是谁?",
    "output": "臣妾是甄嬛，家父是大理寺少卿。"
}

这样就可以支持自定义数据集的评测了！

学习总结

TinyEval 是一个简单的语言模型（LLM）评测框架，旨在帮助用户评估生成式、判别式、选择式等多种任务中的LLM表现。它通过以下几个关键步骤进行评测：

1. 确定评测指标：根据任务类型选择合适的评测标准，如F1、Rouge、Accuracy等。
2. 模型推理：根据数据集任务构建prompt，进行模型推理，生成预测结果。
3. 结果处理与评分：对模型生成的结果与标准答案进行对比，通过指标如F1得分进行评估。

框架支持多种评测任务和自定义数据集，并提供了易于使用的接口来运行模型推理和评测。