首页
/ OpenCompass评测框架中MMLU数据集答案匹配问题的分析与解决

OpenCompass评测框架中MMLU数据集答案匹配问题的分析与解决

2025-06-08 14:25:25作者:郁楠烈Hubert

问题背景

在OpenCompass大模型评测框架的实际使用过程中,评测人员发现了一个关于MMLU(Massive Multitask Language Understanding)数据集评测结果异常的问题。具体表现为:模型在college_biology子集上的评测得分为80分,但通过人工检查预测结果发现所有答案实际上都是正确的,理论上应该获得满分100分。

问题现象

评测结果显示:

  • college_biology子集得分:80(应为100)
  • marketing子集得分:50

通过检查预测结果JSON文件发现,模型对college_biology子集中的所有问题都给出了正确答案,但系统评分却未达到满分,这表明评测框架在答案匹配环节出现了问题。

问题分析

通过深入检查评测流程和添加调试信息,发现问题出在答案提取的后处理函数first_option_postprocess中。该函数负责从模型的输出文本中提取选项字母(A/B/C/D)。

调试信息显示:

  1. 正则表达式成功匹配到了包含"C."的文本片段
  2. 但由于正则表达式设计不够精确,导致后续的选项提取出现偏差

原正则表达式模式为:

f'(?i)ANSWER\s*:\s*([{options}])'

这种模式无法正确处理模型输出中常见的格式化答案,例如:

**Answer:**  
C. Reduce the carrying capacity of the environment to lower the K value.

解决方案

针对这一问题,我们对正则表达式进行了优化,新的模式为:

f'(?i)\*{{2}}ANSWER\s*:\s*\*{{2}}\s*([{options}])\\.?'

这个改进后的正则表达式具有以下特点:

  1. 明确匹配Markdown格式的加粗标记(**)
  2. 灵活处理答案标记后的空白字符和可选的点号(.)
  3. 精确捕获选项字母本身

技术启示

这一问题的解决过程为我们提供了几个重要的技术启示:

  1. 评测框架的后处理重要性:在大模型评测中,后处理逻辑的精确性直接影响评测结果的准确性。即使是简单的选项提取,也需要考虑模型输出的多样性。

  2. 正则表达式的精确设计:在处理模型自由格式输出时,正则表达式需要同时具备足够的灵活性和精确性,既要覆盖各种可能的输出变体,又要准确捕获关键信息。

  3. 调试信息的价值:在开发评测框架时,添加详细的调试日志可以帮助快速定位问题所在,特别是在处理复杂文本匹配时。

总结

OpenCompass作为专业的大模型评测框架,其评测结果的准确性至关重要。通过对MMLU数据集评测中发现的答案匹配问题进行深入分析和解决,我们不仅修复了特定场景下的评分问题,也为类似的多选题评测场景提供了更鲁棒的后处理方案。这一经验也提醒我们,在构建评测系统时需要特别关注模型输出与实际评分的对应关系,确保评测结果真实反映模型能力。

登录后查看全文
热门项目推荐
相关项目推荐

项目优选

收起
kernelkernel
deepin linux kernel
C
22
6
docsdocs
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
165
2.05 K
nop-entropynop-entropy
Nop Platform 2.0是基于可逆计算理论实现的采用面向语言编程范式的新一代低代码开发平台,包含基于全新原理从零开始研发的GraphQL引擎、ORM引擎、工作流引擎、报表引擎、规则引擎、批处理引引擎等完整设计。nop-entropy是它的后端部分,采用java语言实现,可选择集成Spring框架或者Quarkus框架。中小企业可以免费商用
Java
8
0
RuoYi-Vue3RuoYi-Vue3
🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
954
563
leetcodeleetcode
🔥LeetCode solutions in any programming language | 多种编程语言实现 LeetCode、《剑指 Offer(第 2 版)》、《程序员面试金典(第 6 版)》题解
Java
60
16
apintoapinto
基于golang开发的网关。具有各种插件,可以自行扩展,即插即用。此外,它可以快速帮助企业管理API服务,提高API服务的稳定性和安全性。
Go
22
0
giteagitea
喝着茶写代码!最易用的自托管一站式代码托管平台,包含Git托管,代码审查,团队协作,软件包和CI/CD。
Go
17
0
HarmonyOS-ExamplesHarmonyOS-Examples
本仓将收集和展示仓颉鸿蒙应用示例代码,欢迎大家投稿,在仓颉鸿蒙社区展现你的妙趣设计!
Cangjie
408
387
金融AI编程实战金融AI编程实战
为非计算机科班出身 (例如财经类高校金融学院) 同学量身定制,新手友好,让学生以亲身实践开源开发的方式,学会使用计算机自动化自己的科研/创新工作。案例以量化投资为主线,涉及 Bash、Python、SQL、BI、AI 等全技术栈,培养面向未来的数智化人才 (如数据工程师、数据分析师、数据科学家、数据决策者、量化投资人)。
Python
78
71
rainbondrainbond
无需学习 Kubernetes 的容器平台,在 Kubernetes 上构建、部署、组装和管理应用,无需 K8s 专业知识,全流程图形化管理
Go
14
1