OpenCompass 评估大模型时遇到的OOM问题分析与解决方案

问题背景

在使用OpenCompass对Qwen2-72B-Instruct模型进行MMLU基准测试时，评估过程中出现了CUDA内存不足(OOM)的问题。这个问题在评估"high_school_european_history"子集时尤为明显，系统尝试分配1.42GiB内存时失败，而此时GPU1上仅有1.26GiB空闲内存。

问题分析

从错误日志可以看出几个关键点：

1. 内存使用情况：两块80GiB显存的GPU中，GPU1已经使用了77.87GiB，其中PyTorch分配了74.22GiB，还有3.15GiB是PyTorch保留但未分配的。

2. 评估过程：评估已经成功完成了多个MMLU子集（如computer_security、microeconomics、law等），但在评估high_school_european_history时失败。

3. 内存管理：错误信息建议设置PYTORCH_CUDA_ALLOC_CONF=expandable_segments:True来避免内存碎片问题。

根本原因

1. 批量大小过大：OpenCompass默认的batch size为8，对于72B参数的大模型来说，这个批量大小可能导致显存需求过高。

2. 内存碎片：长时间运行的评估过程可能导致显存碎片化，即使总空闲显存足够，也可能无法分配连续的大块内存。

3. 模型规模：Qwen2-72B-Instruct作为720亿参数的大模型，单次推理就需要大量显存，特别是在处理较长的输入序列时。

解决方案

1. 调整批量大小

最直接的解决方案是减小批量大小。可以通过修改配置文件或命令行参数来设置更小的batch size，例如：

# 在配置中设置
infer_cfg = dict(
    batch_size=4,  # 或更小
    ...
)

2. 优化内存管理

可以尝试以下内存优化策略：

• 设置环境变量来减少内存碎片：

  export PYTORCH_CUDA_ALLOC_CONF=expandable_segments:True
  

• 在评估间隙手动清理显存：

  import torch
  torch.cuda.empty_cache()
  import gc
  gc.collect()
  

3. 使用更高效的评估策略

• 分块评估：将大型数据集分成更小的块进行评估。
• 梯度检查点：如果支持，可以启用梯度检查点来减少内存使用。
• 量化评估：使用4位或8位量化模型进行评估。

4. 硬件配置优化

• 确保使用足够多的GPU卡进行并行评估。
• 考虑使用具有更高显存的GPU设备。
• 使用NVLink连接多块GPU以提高显存利用率。

最佳实践建议

1. 渐进式调整：从较小的batch size开始测试，逐步增加直到找到最优值。

2. 监控显存使用：在评估过程中实时监控显存使用情况，可以使用nvidia-smi或PyTorch的内存分析工具。

3. 评估顺序优化：将内存需求较大的评估任务安排在评估过程的早期进行，此时显存碎片较少。

4. 日志记录：详细记录每次评估的显存使用情况，便于后续分析和优化。

总结

OpenCompass评估大型语言模型时遇到OOM问题是常见现象，特别是像Qwen2-72B-Instruct这样的超大规模模型。通过合理配置批量大小、优化内存管理和评估策略，可以有效解决这类问题。关键在于找到评估效率和内存使用之间的平衡点，确保评估过程既高效又稳定。