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:
- 找到
opencompass/models/openai_api.py
文件 - 定位到
get_token_len
方法 - 将原有的自动映射代码:
修改为手动指定tokenizer:enc = self.tiktoken.encoding_for_model(self.path)
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:
- 安装模型对应的tokenizer库
- 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
-
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。
-
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。
-
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。
-
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。
- 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~042CommonUtilLibrary
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!C0298- 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









