首页
/ OpenCompass评测开源模型时Tokenize问题的解决方案

OpenCompass评测开源模型时Tokenize问题的解决方案

2025-06-08 21:47:14作者:尤峻淳Whitney

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。

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
docsdocs
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
139
1.91 K
kernelkernel
deepin linux kernel
C
22
6
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
ohos_react_nativeohos_react_native
React Native鸿蒙化仓库
C++
192
273
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
923
551
openHiTLSopenHiTLS
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!
C
421
392
openGauss-serveropenGauss-server
openGauss kernel ~ openGauss is an open source relational database management system
C++
145
189
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)。
Jupyter Notebook
74
64
Cangjie-ExamplesCangjie-Examples
本仓将收集和展示高质量的仓颉示例代码,欢迎大家投稿,让全世界看到您的妙趣设计,也让更多人通过您的编码理解和喜爱仓颉语言。
Cangjie
344
1.3 K
easy-eseasy-es
Elasticsearch 国内Top1 elasticsearch搜索引擎框架es ORM框架,索引全自动智能托管,如丝般顺滑,与Mybatis-plus一致的API,屏蔽语言差异,开发者只需要会MySQL语法即可完成对Es的相关操作,零额外学习成本.底层采用RestHighLevelClient,兼具低码,易用,易拓展等特性,支持es独有的高亮,权重,分词,Geo,嵌套,父子类型等功能...
Java
36
8