lm-evaluation-harness评估结果与Open LLM Leaderboard差异解析

在评估大型语言模型性能时，研究人员经常使用lm-evaluation-harness工具包进行本地测试，但有时会发现本地评估结果与Open LLM Leaderboard公布的分数存在显著差异。本文将深入分析这种差异产生的原因，并提供正确的评估方法。

评估结果差异的核心原因

本地使用lm-evaluation-harness评估时，默认输出的是原始分数(raw score)，而Open LLM Leaderboard第二版默认显示的是经过标准化处理后的分数(normalized score)。这是造成表面差异的主要原因。

标准化处理是Open LLM Leaderboard第二版引入的新特性，目的是使不同测试集之间的分数更具可比性。标准化过程会参考基线模型(如GPT-4)的表现，将原始分数转换为相对值。

正确比较评估结果的方法

当需要将本地评估结果与Open LLM Leaderboard进行对比时，应该：

1. 在本地评估时使用leaderboard_gpqa等特定任务名称，这些任务与Leaderboard的测试集对应
2. 将本地结果与Leaderboard上的"raw score"而非默认显示的标准分进行比较
3. 注意评估参数的设置，包括batch size、硬件环境等都可能影响最终结果

评估中的其他注意事项

除了分数类型的差异外，评估过程中还需注意以下因素：

1. 评估版本一致性：不同版本的lm-evaluation-harness可能产生不同结果，特别是对于Leaderboard第一版的复现，需要使用特定commit版本的评估工具

2. 评估稳定性：某些测试集(如HellaSwag)在小样本评估时(--limit参数值较小)结果波动较大，建议使用完整测试集进行评估

3. 模型加载配置：确保本地评估时的模型配置(如数据类型dtype)与预期一致，这会影响模型性能表现

4. 评估任务选择：不同子任务(gpqa_main/gpqa_extended等)的难度和评分标准不同，需要明确比较的是哪个具体任务

实际评估案例解析

以Phi-3-mini-4k模型为例，本地评估得到的gpqa准确率约为32.97%，这与Leaderboard上该模型的gpqa raw score接近，但与标准化后显示的9.28%有显著差异。这种差异正是由于评分标准不同造成的，而非评估方法错误。

同样现象也出现在Qwen2-7B等模型上，本地评估结果与官方报告接近，但与Leaderboard标准化分数存在差距。这进一步验证了比较raw score的重要性。

结论

正确理解和使用评估工具对于LLM性能评估至关重要。研究人员应当：

1. 明确区分原始分数和标准化分数
2. 确保评估环境和参数设置的一致性
3. 关注具体任务而非仅看综合得分
4. 对于有疑问的结果，可以交叉验证不同评估方式

通过遵循这些原则，可以更准确地评估模型性能，并有效比较不同来源的评估结果。