LM-Evaluation-Harness评测框架中max_length参数的重要性分析
2025-05-26 01:57:50作者:农烁颖Land
背景介绍
在大型语言模型(LLM)的评估过程中,LM-Evaluation-Harness作为广泛使用的评测框架,其参数设置直接影响评测结果的准确性。近期发现,该框架在处理MMLU Pro等复杂评测任务时,默认的max_length和max_gen_toks参数设置存在明显不足,导致评测结果严重偏离模型真实能力。
问题发现
在MMLU Pro数学评测任务中,研究人员发现了一个关键现象:当使用Qwen2.5-72B-Instruct模型进行5-shot评测时,随着max_gen_toks参数值的增加,模型表现呈现显著提升:
- max_gen_toks=256时,准确率仅为58.99%
- max_gen_toks=1024时,准确率提升至77.94%
- max_gen_toks=2048时,准确率达到78.61%
这种近20个百分点的性能差异表明,默认参数设置严重低估了模型的实际能力。
技术分析
参数影响机制
-
max_length参数:控制模型输入的最大token长度。在MMLU Pro这类需要多示例提示的任务中,输入长度很容易超过默认的2048限制。
-
max_gen_toks参数:限制模型生成的最大token数。当模型被要求"逐步思考"时,其详细推理过程往往需要超过256个token的表达空间。
问题根源
默认参数设置基于早期LLM的典型使用场景,未能适应现代评测任务的需求变化:
- 多示例提示(prompt)显著增加了输入长度
- 复杂推理任务需要更长的生成空间
- 现代模型普遍支持更长的上下文窗口
解决方案
针对这一问题,评测框架已采取以下改进措施:
- 将MMLU Pro任务的max_gen_toks默认值调整为2048,与官方评测脚本保持一致
- 优化API模型的max_length默认值,使其更接近HuggingFace或vLLM后端的使用标准
实践建议
在使用LM-Evaluation-Harness进行模型评测时,建议:
- 根据任务特点合理设置max_length参数,特别是对于多示例提示任务
- 对于需要详细推理的任务,适当增加max_gen_toks值
- 关注评测过程中的警告信息,及时调整参数设置
- 对比不同参数设置下的评测结果,确保结论的可靠性
总结
这一案例凸显了评测参数设置对LLM评估结果的重要影响。随着模型能力的提升和评测任务复杂度的增加,评测框架的参数默认值也需要与时俱进。研究人员在使用评测工具时,应当充分理解各参数的技术含义,根据具体任务特点进行合理配置,才能获得真实反映模型能力的评估结果。
登录后查看全文
热门项目推荐
相关项目推荐
Hunyuan3D-Part
腾讯混元3D-Part00Hunyuan3D-Omni
腾讯混元3D-Omni:3D版ControlNet突破多模态控制,实现高精度3D资产生成00GitCode-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~0277community
本项目是CANN开源社区的核心管理仓库,包含社区的治理章程、治理组织、通用操作指引及流程规范等基础信息011Hunyuan3D-2
Hunyuan3D 2.0:高分辨率三维生成系统,支持精准形状建模与生动纹理合成,简化资产再创作流程。Python00Spark-Chemistry-X1-13B
科大讯飞星火化学-X1-13B (iFLYTEK Spark Chemistry-X1-13B) 是一款专为化学领域优化的大语言模型。它由星火-X1 (Spark-X1) 基础模型微调而来,在化学知识问答、分子性质预测、化学名称转换和科学推理方面展现出强大的能力,同时保持了强大的通用语言理解与生成能力。Python00GOT-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。00- HHowToCook程序员在家做饭方法指南。Programmer's guide about how to cook at home (Chinese only).Dockerfile09
- PpathwayPathway is an open framework for high-throughput and low-latency real-time data processing.Python00
热门内容推荐
最新内容推荐
项目优选
收起

deepin linux kernel
C
22
6

OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
154
1.98 K

本项目是CANN提供的数学类基础计算算子库,实现网络在NPU上加速计算。
C++
509
44

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

React Native鸿蒙化仓库
C++
194
279

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
992
395

🎉 (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
941
554

本项目是CANN开源社区的核心管理仓库,包含社区的治理章程、治理组织、通用操作指引及流程规范等基础信息
345
11

openGauss kernel ~ openGauss is an open source relational database management system
C++
146
191

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)。
Python
75
70