Ragas项目中使用ChatOllama模型进行评测的注意事项
在自然语言处理领域,Ragas作为一个开源的评估框架,为大型语言模型(LLM)的问答系统提供了全面的评估能力。然而,在实际应用中,开发者可能会遇到一些兼容性问题,特别是在尝试使用非标准LLM模型时。
问题背景
许多开发者希望使用ChatOllama模型(特别是Mistral模型)作为Ragas评估框架中的语言模型。然而,直接使用ChatOllama实例时,系统会抛出"AttributeError: 'Mistral' object has no attribute 'set_run_config'"的错误。这是因为Ragas框架对集成的语言模型有特定的接口要求。
技术分析
Ragas框架要求集成的语言模型必须实现特定的接口方法,包括set_run_config
。而标准的ChatOllama模型并没有原生实现这些接口方法。这实际上是框架设计中的一种常见模式——通过定义明确的接口来确保组件间的兼容性。
解决方案
经过实践验证,可以通过以下方式解决这个问题:
-
使用LangchainLLMWrapper包装器:这是Ragas提供的一个适配器类,专门用于将Langchain兼容的模型转换为Ragas可识别的格式。
-
同时处理Embeddings:类似的,对于嵌入模型也需要使用LangchainEmbeddingsWrapper进行包装。
-
手动设置Metrics属性:需要显式地将包装后的模型设置到各个评估指标中。
完整实现示例
from langchain_ollama.chat_models import ChatOllama
from langchain_ollama.embeddings import OllamaEmbeddings
from ragas import evaluate
from ragas.metrics import answer_relevancy
from ragas.llms import LangchainLLMWrapper
from ragas.embeddings import LangchainEmbeddingsWrapper
from datasets import Dataset
import json
# 初始化模型并包装
req_llm = ChatOllama(model="mistral")
wrapper_llm = LangchainLLMWrapper(req_llm)
embeddings = OllamaEmbeddings(model="mistral")
wrapper_embedding = LangchainEmbeddingsWrapper(embeddings)
# 准备评估指标
metrics = [answer_relevancy]
# 将包装后的模型设置到指标中
for metric in metrics:
metric.__setattr__("llm", wrapper_llm)
if hasattr(metric, "embeddings"):
metric.__setattr__("embeddings", wrapper_embedding)
# 执行评估
results = evaluate(
dataset=your_dataset,
metrics=metrics,
llm=wrapper_llm,
embeddings=wrapper_embedding,
)
# 输出结果
print(json.dumps(results, indent=3))
最佳实践建议
-
版本兼容性检查:确保使用的Ragas版本是最新的,因为框架在不断改进对第三方模型的支持。
-
错误处理:在实际应用中,应该添加适当的错误处理机制,特别是当处理生产环境中的评估任务时。
-
性能考量:使用包装器会引入额外的开销,在大规模评估时需要考虑其对性能的影响。
-
模型选择:虽然可以使用各种模型进行评估,但建议选择经过验证的模型组合以获得更可靠的结果。
通过这种方法,开发者可以灵活地在Ragas框架中使用各种Langchain兼容的模型,包括ChatOllama提供的Mistral等模型,从而扩展评估框架的应用范围。
- DDeepSeek-V3.1-BaseDeepSeek-V3.1 是一款支持思考模式与非思考模式的混合模型Python00
- QQwen-Image-Edit基于200亿参数Qwen-Image构建,Qwen-Image-Edit实现精准文本渲染与图像编辑,融合语义与外观控制能力Jinja00
GitCode-文心大模型-智源研究院AI应用开发大赛
GitCode&文心大模型&智源研究院强强联合,发起的AI应用开发大赛;总奖池8W,单人最高可得价值3W奖励。快来参加吧~043CommonUtilLibrary
快速开发工具类收集,史上最全的开发工具类,欢迎Follow、Fork、StarJava04GitCode百大开源项目
GitCode百大计划旨在表彰GitCode平台上积极推动项目社区化,拥有广泛影响力的G-Star项目,入选项目不仅代表了GitCode开源生态的蓬勃发展,也反映了当下开源行业的发展趋势。06GOT-OCR-2.0-hf
阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00openHiTLS
旨在打造算法先进、性能卓越、高效敏捷、安全可靠的密码套件,通过轻量级、可剪裁的软件技术架构满足各行业不同场景的多样化要求,让密码技术应用更简单,同时探索后量子等先进算法创新实践,构建密码前沿技术底座!C0300- WWan2.2-S2V-14B【Wan2.2 全新发布|更强画质,更快生成】新一代视频生成模型 Wan2.2,创新采用MoE架构,实现电影级美学与复杂运动控制,支持720P高清文本/图像生成视频,消费级显卡即可流畅运行,性能达业界领先水平Python00
- GGLM-4.5-AirGLM-4.5 系列模型是专为智能体设计的基础模型。GLM-4.5拥有 3550 亿总参数量,其中 320 亿活跃参数;GLM-4.5-Air采用更紧凑的设计,拥有 1060 亿总参数量,其中 120 亿活跃参数。GLM-4.5模型统一了推理、编码和智能体能力,以满足智能体应用的复杂需求Jinja00
Yi-Coder
Yi Coder 编程模型,小而强大的编程助手HTML013
热门内容推荐
最新内容推荐
项目优选









