OpenCompass中Qwen-14B-Base模型MMLU评估问题解析

问题背景

在使用OpenCompass评估框架对Qwen-14B-Base模型进行MMLU数据集测试时，发现模型输出了包含完整选项解释的长文本结果，而非预期的简洁选项（A/B/C/D）。这种现象在基础模型评估中较为常见，需要特别理解其技术原理和处理方法。

技术原理分析

1. 基础模型特性
   Qwen-14B-Base作为基础模型，其核心设计目标是完成文本补全任务。当给定一个问题时，模型会基于概率预测生成最可能的后续文本，这种机制自然会产生包含解释的完整回答。

2. 与指令模型的区别
   指令微调模型（如Qwen-14B-Instruct）经过特定训练，能够理解"只需返回选项字母"这类指令。而基础模型缺乏这种指令跟随能力，会按照预训练模式生成完整内容。

3. MMLU评估的适配性
   虽然MMLU通常用于评估模型知识，但对基础模型需要特殊处理。原始论文中使用的评估方法可能包含后处理步骤来提取选项字母。

解决方案

1. 参数调整法
   通过设置max_new_tokens=1限制生成长度，强制模型仅输出第一个token（通常是选项字母）。但需注意：

   • 可能影响模型对复杂问题的推理
   • 需要验证tokenizer是否将选项字母作为独立token

2. 概率模式（PPL）
   更推荐使用perplexity计算方式：

   # 示例配置
   eval_mode = 'ppl'  # 替代默认的'gen'模式
   

   • 分别计算每个选项的续写概率
   • 选择概率最高的选项作为答案
   • 完全避免生成问题，结果更可靠

3. 后处理方案
   若必须使用生成模式：

   • 添加正则表达式提取首个出现的选项字母
   • 设置stop_words参数终止生成

实践建议

1. 对于严谨的评估，优先采用PPL模式
2. 基础模型评估时需明确其与指令模型的预期差异
3. 可参考Qwen2的官方评估方案，其可能包含特定的prompt模板或后处理逻辑

扩展思考

这种现象揭示了基础LLM评估的关键认知：模型输出行为高度依赖其训练目标。开发者在设计评估方案时，需要根据模型类型选择适配的评估策略，这对获得有意义的基准测试结果至关重要。