Ragas项目中的评估函数Bug分析与解决方案
2025-05-26 02:35:35作者:温艾琴Wonderful
问题背景
在Ragas项目(一个用于评估AI生成内容质量的工具)的使用过程中,发现了一个与评估函数相关的Bug。该Bug主要出现在使用VertexAI的gemini-pro模型进行内容评估时,会导致评估结果与问题不匹配的情况。
问题现象
当用户对一个包含51个问题的数据集进行评估时,发现评估结果存在以下异常现象:
- 批量评估时,部分问题的评估结果出现NaN值,而其他问题则获得正常评分
- 单独评估那些在批量评估中出现NaN的问题时,却能获得正常评分
- 评估结果的顺序似乎被打乱,导致评分与问题不匹配
根本原因分析
经过深入调查,发现问题源于VertexAI模型的内容安全过滤机制。当模型检测到可能有害的内容(如仇恨言论、骚扰内容等)时,会抛出ResponseValidationError异常。这个异常处理方式导致了以下连锁反应:
- 评估过程中的并行处理机制因异常而中断
- 评估结果的顺序被打乱
- 部分评估结果未能正确赋值,导致NaN出现
技术细节
VertexAI模型内置了严格的内容安全过滤机制,会对以下类型的内容进行拦截:
- 仇恨言论
- 危险内容
- 骚扰内容
- 性暗示内容
当模型检测到这些内容时,会终止响应并抛出异常。在Ragas的评估流程中,这种异常处理方式干扰了评估结果的正确分配。
解决方案
目前可行的解决方案是创建一个自定义的VertexAI包装类,覆盖默认的安全设置:
from langchain_google_vertexai import VertexAI as VertexAI_
from vertexai.generative_models import generative_models
class BaseWrapper:
@property
def safety_settings(self):
return {
generative_models.HarmCategory.HARM_CATEGORY_DANGEROUS_CONTENT: generative_models.HarmBlockThreshold.BLOCK_NONE,
generative_models.HarmCategory.HARM_CATEGORY_HARASSMENT: generative_models.HarmBlockThreshold.BLOCK_NONE,
generative_models.HarmCategory.HARM_CATEGORY_UNSPECIFIED: generative_models.HarmBlockThreshold.BLOCK_NONE,
generative_models.HarmCategory.HARM_CATEGORY_HATE_SPEECH: generative_models.HarmBlockThreshold.BLOCK_NONE,
generative_models.HarmCategory.HARM_CATEGORY_SEXUALLY_EXPLICIT: generative_models.HarmBlockThreshold.BLOCK_NONE,
}
class VertexAI(VertexAI_, BaseWrapper):
def generate_prompt(self, *args, **kwargs):
return super().generate_prompt(*args, **kwargs, safety_settings=self.safety_settings)
这个解决方案通过以下方式解决问题:
- 禁用所有内容安全过滤
- 确保所有评估请求都能完成
- 保持评估结果的顺序一致性
注意事项
虽然这个解决方案能够解决评估结果错位的问题,但也意味着放弃了模型内置的内容安全保护。在实际应用中,开发者需要权衡评估准确性和内容安全性的需求。
未来改进方向
Ragas项目团队已经表示,未来的版本将引入自一致性(self-consistency)机制来提高评估指标的稳定性。这将有助于解决类似的问题,同时保持对有害内容的适当过滤。
对于开发者而言,在Ragas官方修复此问题之前,可以采取以下措施:
- 使用上述包装类解决方案
- 对数据集进行预处理,移除可能触发安全过滤的内容
- 分批评估数据集,减少并行处理带来的问题
登录后查看全文
热门项目推荐
- DDeepSeek-V3.1-BaseDeepSeek-V3.1 是一款支持思考模式与非思考模式的混合模型Python00
- QQwen-Image-Edit基于200亿参数Qwen-Image构建,Qwen-Image-Edit实现精准文本渲染与图像编辑,融合语义与外观控制能力Jinja00
GitCode-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~044CommonUtilLibrary
快速开发工具类收集,史上最全的开发工具类,欢迎Follow、Fork、StarJava04GitCode百大开源项目
GitCode百大计划旨在表彰GitCode平台上积极推动项目社区化,拥有广泛影响力的G-Star项目,入选项目不仅代表了GitCode开源生态的蓬勃发展,也反映了当下开源行业的发展趋势。06GOT-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。00openHiTLS
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!C0300- WWan2.2-S2V-14B【Wan2.2 全新发布|更强画质,更快生成】新一代视频生成模型 Wan2.2,创新采用MoE架构,实现电影级美学与复杂运动控制,支持720P高清文本/图像生成视频,消费级显卡即可流畅运行,性能达业界领先水平Python00
- GGLM-4.5-AirGLM-4.5 系列模型是专为智能体设计的基础模型。GLM-4.5拥有 3550 亿总参数量,其中 320 亿活跃参数;GLM-4.5-Air采用更紧凑的设计,拥有 1060 亿总参数量,其中 120 亿活跃参数。GLM-4.5模型统一了推理、编码和智能体能力,以满足智能体应用的复杂需求Jinja00
Yi-Coder
Yi Coder 编程模型,小而强大的编程助手HTML013
热门内容推荐
最新内容推荐
项目优选
收起

React Native鸿蒙化仓库
C++
176
261

🎉 (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

🔥🔥🔥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

openGauss kernel ~ openGauss is an open source relational database management system
C++
129
182

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

deepin linux kernel
C
22
5

🍒 Cherry Studio 是一款支持多个 LLM 提供商的桌面客户端
TypeScript
596
57

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

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

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