OpenCompass中自定义数据集评测得分异常问题解析

在使用OpenCompass评估框架对讯飞API模型进行自定义数据集评测时，开发者可能会遇到一个典型问题：模型输出了正确答案，但最终得分却显示为0。这种情况通常与评测后处理(post-processing)环节的配置有关。

问题现象

当使用包含简单数学计算问题的JSONL格式自定义数据集(如test_question.jsonl)进行评测时，虽然模型输出了正确的计算结果，但OpenCompass的评估结果显示准确率为0。检查预测输出文件可以发现，模型实际上已经生成了正确答案，只是以特定格式呈现。

问题根源

该问题的核心在于OpenCompass默认的后处理机制无法正确解析模型的输出格式。讯飞API模型的响应通常包含解题过程和最终答案，而默认的评估器(如AccEvaluator)无法从这种复杂响应中提取出纯数字答案进行比对。

解决方案

要解决这个问题，需要为自定义数据集配置专门的预测后处理器(pred_postprocessor)。以下是具体实现步骤：

1. 定义后处理函数：编写一个能够从模型响应中提取纯数字答案的函数

def math_postprocessor(text: str) -> str:
    # 从模型响应中提取最后一个数字作为答案
    import re
    matches = re.findall(r'\d+', text)
    return matches[-1] if matches else ""

2. 配置数据集评估参数：在数据集配置中添加后处理设置

your_dataset_eval_cfg = dict(
    evaluator=dict(type=AccEvaluator),
    pred_role="BOT",
    pred_postprocessor=dict(type=math_postprocessor),
)

3. 确保数据类型一致：后处理器返回的答案类型必须与标注(gold)类型一致，本例中都是字符串形式的数字

技术原理

OpenCompass的评估流程包含三个关键步骤：

1. 模型预测生成原始输出
2. 后处理器提取关键信息
3. 评估器比对提取结果与标准答案

当后处理器配置不当时，即使模型生成了正确答案，评估器也无法正确比对，导致得分异常。自定义后处理器可以精确控制信息提取逻辑，确保评估准确性。

最佳实践

对于复杂模型输出，建议：

1. 先检查原始预测文件，确认模型实际输出内容
2. 根据输出格式设计匹配的后处理逻辑
3. 测试后处理器能否从样例输出中正确提取答案
4. 在配置中明确指定后处理器

通过这种方式，开发者可以确保OpenCompass能够准确评估各种复杂格式的模型输出，获得真实的性能指标。