OpenCompass评测开源模型时Tokenize问题的解决方案

问题背景

OpenCompass是一个用于评估大语言模型性能的开源工具。在使用OpenCompass评估通过OpenAI API格式部署的开源模型时，用户经常会遇到tokenizer相关的错误，特别是当模型路径不是OpenAI官方模型时。

错误现象

当用户尝试使用OpenCompass评估非OpenAI官方模型时，系统会抛出类似以下错误：

KeyError: 'Could not automatically map qwen-chat-14b to a tokeniser. Please use `tiktoken.get_encoding` to explicitly get the tokeniser you expect.'

这个错误发生在OpenCompass尝试使用tiktoken库自动映射模型名称到对应的tokenizer时，由于模型名称不在tiktoken的预设列表中，导致无法自动选择正确的tokenizer。

问题根源

OpenCompass的OpenAI API模型类默认使用tiktoken库的encoding_for_model方法来获取tokenizer。这个方法会根据模型名称自动选择对应的tokenizer编码方式，但它只支持OpenAI官方的模型名称。对于开源模型或自定义部署的模型，这个方法会失败。

解决方案

方法一：修改源码指定tokenizer

最直接的解决方案是修改OpenCompass源码中的tokenizer获取方式。具体步骤如下：

1. 找到opencompass/models/openai_api.py文件
2. 定位到get_token_len方法
3. 将原有的自动映射代码：

   enc = self.tiktoken.encoding_for_model(self.path)
   

   修改为手动指定tokenizer：

   enc = self.tiktoken.get_encoding("cl100k_base")
   

这种方法简单直接，但需要修改源码，可能会在OpenCompass更新时被覆盖。

方法二：创建自定义模型类

更优雅的解决方案是创建一个继承自OpenAI模型类的自定义模型类，并重写get_token_len方法：

from opencompass.models import OpenAI
import tiktoken

class CustomOpenAIModel(OpenAI):
    def get_token_len(self, prompt: str) -> int:
        enc = tiktoken.get_encoding("cl100k_base")
        return len(enc.encode(prompt, disallowed_special=()))

然后在配置文件中使用这个自定义类：

models = [
    dict(
        type=CustomOpenAIModel,
        abbr="my-model",
        path="my-model-path",
        # 其他配置...
    ),
]

方法三：使用模型对应的实际tokenizer

对于开源模型，更准确的做法是使用模型自带的tokenizer来计算token数量。这需要：

1. 安装模型对应的tokenizer库
2. 创建一个自定义模型类，使用正确的tokenizer

例如，对于Qwen模型：

from transformers import AutoTokenizer

class QwenOpenAIModel(OpenAI):
    def __init__(self, *args, **kwargs):
        super().__init__(*args, **kwargs)
        self.tokenizer = AutoTokenizer.from_pretrained("Qwen/Qwen-14B-Chat")
    
    def get_token_len(self, prompt: str) -> int:
        return len(self.tokenizer.encode(prompt))

注意事项

1. tokenizer一致性：确保评测时使用的tokenizer与模型实际使用的tokenizer一致，否则可能导致长度计算不准确。

2. 性能考虑：使用模型自带的tokenizer通常更准确，但可能会增加评测时的资源消耗。

3. 批量处理：对于大批量评测，考虑tokenizer的初始化开销，可以将其缓存或作为类属性。

4. 模型适配：不同开源模型可能需要不同的tokenizer处理方式，需要根据具体模型文档进行调整。

总结

在OpenCompass中评测通过OpenAI API格式部署的开源模型时，tokenizer的适配是一个常见问题。通过修改源码、创建自定义模型类或使用模型原生tokenizer等方法，可以解决这一问题。选择哪种方案取决于具体的使用场景和对准确性的要求。对于生产环境，建议采用自定义模型类的方式，既能保持灵活性，又便于维护。