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 00:44:31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

热门内容推荐

最新内容推荐

项目优选

收起
ohos_react_nativeohos_react_native
React Native鸿蒙化仓库
C++
176
261
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
858
509
openGauss-serveropenGauss-server
openGauss kernel ~ openGauss is an open source relational database management system
C++
129
182
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
257
300
ShopXO开源商城ShopXO开源商城
🔥🔥🔥ShopXO企业级免费开源商城系统,可视化DIY拖拽装修、包含PC、H5、多端小程序(微信+支付宝+百度+头条&抖音+QQ+快手)、APP、多仓库、多商户、多门店、IM客服、进销存,遵循MIT开源协议发布、基于ThinkPHP8框架研发
JavaScript
93
15
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
331
1.08 K
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
397
370
note-gennote-gen
一款跨平台的 Markdown AI 笔记软件,致力于使用 AI 建立记录和写作的桥梁。
TSX
83
4
CangjieCommunityCangjieCommunity
为仓颉编程语言开发者打造活跃、开放、高质量的社区环境
Markdown
1.07 K
0
kernelkernel
deepin linux kernel
C
22
5