OpenCompass评测框架中DeepSeek-R1模型IF-Eval得分异常问题分析

问题背景

在使用OpenCompass评测框架对DeepSeek-R1模型进行IF-Eval基准测试时，发现评测结果与官方公布的83.3分存在显著差异，实际得分仅为34.20分。经过深入分析，发现这是由于模型输出格式的特殊性导致的评测偏差。

问题根源

DeepSeek-R1模型在生成文本时，会先输出<think>...</think>标签包裹的思考过程，然后再输出实际回答内容。这种输出模式虽然有助于理解模型的推理过程，但在IF-Eval这类严格评测中会导致以下问题：

1. 评测脚本会错误地将思考内容纳入评测范围
2. 思考内容可能包含不符合指令要求的文本
3. 实际回答内容被思考内容"污染"，导致评测分数下降

技术解决方案

OpenCompass框架已经内置了处理这类问题的功能，开发者可以通过两种方式解决：

方法一：使用think_pred_postprocess后处理器

from opencompass.utils import think_pred_postprocess

dict(
    abbr="deepseek-chat-r1",
    type=OpenAISDK,
    path="deepseek-r1-250120",
    # 其他配置参数...
    pred_postprocessor=dict(
        type=think_pred_postprocess,
        re_pattern=r'</think>([\s\S]*)'
    )
)

方法二：使用extract_non_reasoning_content后处理器

dict(
    type=TurboMindModelwithChatTemplate,
    abbr='deepseek-r1-distill-qwen-7b-turbomind',
    path='deepseek-ai/DeepSeek-R1-Distill-Qwen-7B',
    # 其他配置参数...
    pred_postprocessor=dict(type=extract_non_reasoning_content)
)

实现原理

这两种后处理器的核心功能都是移除模型输出中的推理过程内容，只保留最终回答：

1. think_pred_postprocess使用正则表达式匹配</think>标签后的所有内容
2. extract_non_reasoning_content则是更通用的非推理内容提取器

最佳实践建议

1. 对于会输出思考过程的模型，务必配置合适的后处理器
2. 评测前应检查模型输出格式，确认是否符合预期
3. 对于自定义模型，可以基于现有后处理器开发适合特定格式的处理逻辑
4. 在模型卡片中明确说明输出格式特点，方便评测配置

总结

OpenCompass框架提供了灵活的机制来处理不同模型的输出格式差异。通过合理配置后处理器，可以确保评测结果的准确性和可比性。这一案例也提醒我们，在模型评测中，输出格式的处理与模型能力本身同等重要。