OpenCompass项目中HuggingFace模型多卡加载错误分析与解决方案

问题背景

在使用OpenCompass评估框架进行大模型评测时，用户尝试加载WizardLM-13B-V1.2模型进行MMLU数据集评估时遇到了设备不匹配的错误。该问题出现在使用8张GPU进行模型并行的情况下，系统报错显示部分张量被分配到了不同的GPU设备上（cuda:6和cuda:7），导致矩阵乘法操作无法执行。

错误现象分析

当用户配置了8张GPU进行模型并行（通过--hf-num-gpus 8参数）时，系统抛出RuntimeError，明确指出在执行线性层计算时发现了跨设备张量。错误发生在transformers库的Llama模型实现中，具体是在处理模型输出的logits计算阶段。

错误的核心在于模型并行实现中，不同部分的权重被分配到了不同的GPU设备上，但计算时未能正确处理设备间的数据通信。这种现象通常出现在以下情况：

1. 模型并行配置不合理：对于13B规模的模型，8卡并行可能过度分割了模型参数
2. 设备分配策略问题：模型权重在设备间的分配不均匀
3. 计算图构建异常：前向传播过程中某些操作未能正确处理设备位置

技术原理

在分布式模型训练/推理中，有两种主要的并行策略：

1. 模型并行（Tensor Parallelism）：将单个模型的不同层或同一层的不同部分分配到不同设备上
2. 数据并行（Data Parallelism）：将不同批次的数据分配到不同设备上，每个设备都有完整的模型副本

对于13B参数规模的模型，通常：

• 每张现代GPU（如A100 40GB）可容纳约10-20B参数的模型进行推理
• 模型并行一般建议2-4卡足够
• 过度分割模型反而会因设备间通信增加而降低效率

解决方案

经过验证，针对该问题有以下有效解决方案：

1. 调整模型并行度：将--hf-num-gpus参数从8降为2或4，这既满足了13B模型的显存需求，又避免了过度分割带来的问题

2. 改用数据并行：保持较小的模型并行度（如2），同时增加--max-num-worker参数来实现数据并行，这种方式更适合多卡场景下的批量推理

3. 显式设备管理：对于高级用户，可以通过设置环境变量CUDA_VISIBLE_DEVICES来精确控制每张卡的工作负载

最佳实践建议

1. 模型规模与GPU配置匹配原则：

   • 7B模型：通常单卡即可
   • 13B模型：1-2卡
   • 30B+模型：考虑4-8卡

2. 性能优化技巧：

   • 先用最小并行度测试模型是否能加载
   • 逐步增加并行度直到找到最佳配置
   • 监控GPU显存使用率和设备间通信开销

3. 错误排查步骤：

   • 首先确认模型能否用transformers库单独加载
   • 然后在单卡模式下测试OpenCompass流程
   • 最后逐步增加并行度

总结

OpenCompass框架虽然支持多卡并行推理，但需要合理配置并行策略。对于大多数13B级别的模型，2-4卡的模型并行配合适当的数据并行通常是最佳选择。用户应当根据模型规模、硬件配置和具体任务需求来调整并行参数，避免因过度分割模型导致的设备不匹配问题。