书生大模型实战营（第三期闯关大挑战）- 基础岛 第六关 OpenCompass 评测 InternLM-1.8B 实践

0.背景

1.OpenCompass介绍

上海人工智能实验室科学家团队正式发布了大模型开源开放评测体系 “司南” (OpenCompass2.0)，用于为大语言模型、多模态模型等提供一站式评测服务。其主要特点如下：

• 开源可复现：提供公平、公开、可复现的大模型评测方案
• 全面的能力维度：五大维度设计，提供 70+ 个数据集约 40 万题的的模型评测方案，全面评估模型能力
• 丰富的模型支持：已支持 20+ HuggingFace 及 API 模型
• 分布式高效评测：一行命令实现任务分割和分布式评测，数小时即可完成千亿模型全量评测
• 多样化评测范式：支持零样本、小样本及思维链评测，结合标准型或对话型提示词模板，轻松激发各种模型最大性能
• 灵活化拓展：想增加新模型或数据集？想要自定义更高级的任务分割策略，甚至接入新的集群管理系统？OpenCompass 的一切均可轻松扩展！

2.评测对象

​ 本算法库的主要评测对象为语言大模型与多模态大模型。我们以语言大模型为例介绍评测的具体模型类型。

• 基座模型：一般是经过海量的文本数据以自监督学习的方式进行训练获得的模型（如OpenAI的GPT-3，Meta的LLaMA），往往具有强大的文字续写能力。

• 对话模型：一般是在的基座模型的基础上，经过指令微调或人类偏好对齐获得的模型（如OpenAI的ChatGPT、上海人工智能实验室的书生·浦语），能理解人类指令，具有较强的对话能力。

  3.工具架构

​

• 模型层：大模型评测所涉及的主要模型种类，OpenCompass 以基座模型和对话模型作为重点评测对象。
• 能力层：OpenCompass 从本方案从通用能力和特色能力两个方面来进行评测维度设计。在模型通用能力方面，从语言、知识、理解、推理、安全等多个能力维度进行评测。在特色能力方面，从长文本、代码、工具、知识增强等维度进行评测。
• 方法层：OpenCompass 采用客观评测与主观评测两种评测方式。客观评测能便捷地评估模型在具有确定答案（如选择，填空，封闭式问答等）的任务上的能力，主观评测能评估用户对模型回复的真实满意度，OpenCompass 采用基于模型辅助的主观评测和基于人类反馈的主观评测两种方式。
• 工具层：OpenCompass 提供丰富的功能支持自动化地开展大语言模型的高效评测。包括分布式评测技术，提示词工程，对接评测数据库，评测榜单发布，评测报告生成等诸多功能。

1.环境配置

创建开发机和 conda 环境

在创建开发机界面选择镜像为 Cuda11.7-conda，并选择 GPU 为30% A100。

开发机创建完成后点击“进入开发机”

2.环境安装

借用上节xtuner-env虚拟机环境

# 创建虚拟机
conda create --name xtuner-env python=3.10 -y
#激活环境
conda activate xtuner-env
cd ~
git clone  https://github.com/open-compass/opencompass
cd opencompass
pip install -e .

我们检查一下opencompass 是否安装完成

pip show opencompass

看到以上信息说明我们评测的opencompass 安装完成。

3.数据准备

解压评测数据集到 data/ 处

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

将会在 OpenCompass 下看到data文件夹

列出所有跟 InternLM 及 MMLU相关的配置

python /root/opencompass/tools/list_configs.py internlm mmlu

4.启动评测 (30% A100 24GB 资源)

确保按照上述步骤正确安装 OpenCompass 并准备好数据集后，可以通过以下命令评测 InternLM2-Chat-1.8B 模型在 mmlu数据集上的性能. 执行如下命令

python run.py --datasets mmlu_gen --hf-path /share/new_models/Shanghai_AI_Laboratory/internlm2-chat-1_8b --tokenizer-path /share/new_models/Shanghai_AI_Laboratory/internlm2-chat-1_8b --tokenizer-kwargs padding_side='left' truncation='left' trust_remote_code=True --model-kwargs trust_remote_code=True device_map='auto' --max-seq-len 1024 --max-out-len 16 --batch-size 2 --hf-num-gpus 1 --debug

命令解析

python run.py
--datasets mmlu_gen \
--hf-path /share/new_models/Shanghai_AI_Laboratory/internlm2-chat-1_8b \  # HuggingFace 模型路径
--tokenizer-path /share/new_models/Shanghai_AI_Laboratory/internlm2-chat-1_8b \  # HuggingFace tokenizer 路径（如果与模型路径相同，可以省略）
--tokenizer-kwargs padding_side='left' truncation='left' trust_remote_code=True \  # 构建 tokenizer 的参数
--model-kwargs device_map='auto' trust_remote_code=True \  # 构建模型的参数
--max-seq-len 1024 \  # 模型可以接受的最大序列长度
--max-out-len 16 \  # 生成的最大 token 数
--batch-size 2  \  # 批量大小
--hf-num-gpus 1  # 运行模型所需的 GPU 数量
--debug

开始加载模型和评测数据集

这个评测时间会比较长，估计有1个小时左右。评测完成后，将会看到

以上就是我们评测mmlu（大规模多任务语言理解)MMLU涵盖了57项不同的任务，包括基础数学、计算机科学、法律、历史等学科领域，总共有15,908个问题。这些任务旨在测试大模型的世界知识和问题解决能力。此外，MMLU基准测试分为两种特定的测试设置：MMLU-ZS（Zero-Shot）和MMLU-FS（Few-Shot），分别代表零样本和少样本设置下的测试.

感兴趣的小伙伴可以对其他评测数据集比如：gsm8k、AGIEval、BBH、MATH、HumanEval、MBPP 等指标进行评测。