首页
/ GLM-4-9B-Chat-1M模型在LongBench-Chat基准测试中的复现实践

GLM-4-9B-Chat-1M模型在LongBench-Chat基准测试中的复现实践

2025-06-03 04:21:11作者:傅爽业Veleda

背景介绍

GLM-4-9B-Chat-1M是清华大学知识工程组(KEG)开发的大规模预训练语言模型,特别针对长上下文理解任务进行了优化。该模型在LongBench-Chat基准测试中取得了7.82分的优异成绩,但社区用户在实际复现过程中遇到了挑战。

复现挑战分析

在模型评估过程中,用户主要遇到了两个关键问题:

  1. 评估脚本适配问题:原始评估脚本未正确识别GLM系列模型的chat模板,导致评估分数偏低(5.46分)
  2. 推理参数配置问题:使用vLLM后端推理时,虽然分数有所提升(7.22分),但仍与官方报告存在差距

解决方案详解

评估脚本适配

核心问题在于评估脚本中的模型识别逻辑。原始代码仅匹配"chatglm"关键词,而GLM-4系列模型使用"glm"作为标识。修改评估脚本中的条件判断后,模型能够正确应用chat模板,评估分数提升至7.42分,接近官方报告水平。

关键参数配置

通过分析,我们发现影响评估结果的关键因素包括:

  • 温度参数(temperature):建议设置为0.95
  • 停止token设置:需包含[151329, 151336, 151338]
  • 最大模型长度:设置为120000以支持长上下文

技术要点总结

  1. 模型适配:对于GLM系列新模型,需注意命名规范变化对评估脚本的影响
  2. 评估一致性:GPT-4作为评估器存在一定随机性,7.42分与7.82分的差异在合理范围内
  3. 推理优化:使用vLLM后端时,需确保参数配置与官方推荐一致

实践建议

对于希望在LongBench-Chat基准上复现GLM-4-9B-Chat-1M性能的研究者,建议:

  1. 使用官方推荐的评估脚本
  2. 仔细检查模型标识匹配逻辑
  3. 保持推理参数与官方配置一致
  4. 多次运行取平均值以降低评估波动

通过以上实践,研究者可以更准确地评估模型在长上下文任务中的真实性能。

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
860
511
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
259
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
332
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
398
371
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