阿里云PAI大模型評(píng)測(cè)最佳實(shí)踐

背景信息

內(nèi)容簡(jiǎn)介

在大模型時(shí)代，隨著模型效果的顯著提升，模型評(píng)測(cè)的重要性日益凸顯?？茖W(xué)、高效的模型評(píng)測(cè)，不僅能幫助開發(fā)者有效地衡量和對(duì)比不同模型的性能，更能指導(dǎo)他們進(jìn)行精準(zhǔn)地模型選擇和優(yōu)化，加速AI創(chuàng)新和應(yīng)用落地。因此，建立一套平臺(tái)化的大模型評(píng)測(cè)最佳實(shí)踐愈發(fā)重要。

本文為PAI大模型評(píng)測(cè)最佳實(shí)踐，旨在指引AI開發(fā)人員使用PAI平臺(tái)進(jìn)行大模型評(píng)測(cè)。借助本最佳實(shí)踐，您可以輕松構(gòu)建出既能反映模型真實(shí)性能，又能滿足行業(yè)特定需求的評(píng)測(cè)過程，助力您在人工智能賽道上取得更好的成績(jī)。最佳實(shí)踐包括如下內(nèi)容：

•  如何準(zhǔn)備和選擇評(píng)測(cè)數(shù)據(jù)集

•  如何選擇適合業(yè)務(wù)的開源或微調(diào)后模型

•  如何創(chuàng)建評(píng)測(cè)任務(wù)并選擇合適的評(píng)價(jià)指標(biāo)

•  如何在單任務(wù)或多任務(wù)場(chǎng)景下解讀評(píng)測(cè)結(jié)果

平臺(tái)亮點(diǎn)

PAI大模型評(píng)測(cè)平臺(tái)，適合您針對(duì)不同的大模型評(píng)測(cè)場(chǎng)景，進(jìn)行模型效果對(duì)比。例如：

• 不同基礎(chǔ)模型對(duì)比：Qwen2-7B-Instruct vs. Baichuan2-7B-Chat

• 同一模型不同微調(diào)版本對(duì)比：Qwen2-7B-Instruct 在私有領(lǐng)域數(shù)據(jù)下訓(xùn)練不同 epoch 版本效果對(duì)比

• 同一模型不同量化版本對(duì)比：Qwen2-7B-Instruct-GPTQ-Int4 vs. Qwen2-7B-Instruct-GPTQ-Int8

考慮到不同開發(fā)群體的特定需求，我們將以企業(yè)開發(fā)者與算法研究人員兩個(gè)典型群體為例，探討如何結(jié)合常用的公開數(shù)據(jù)集（如MMLU、C-eval等）與企業(yè)的自定義數(shù)據(jù)集，實(shí)現(xiàn)更全面準(zhǔn)確并具有針對(duì)性的模型評(píng)測(cè)，查找適合您業(yè)務(wù)需求的大模型。最佳實(shí)踐的亮點(diǎn)如下：

• 端到端完整評(píng)測(cè)鏈路，無(wú)需代碼開發(fā)，支持主流開源大模型，與大模型微調(diào)后的一鍵評(píng)測(cè)；

• 支持用戶自定義數(shù)據(jù)集上傳，內(nèi)置10+通用NLP評(píng)測(cè)指標(biāo)，一覽式結(jié)果展示，無(wú)需再開發(fā)評(píng)測(cè)腳本；

• 支持多個(gè)領(lǐng)域的常用公開數(shù)據(jù)集評(píng)測(cè)，完整還原官方評(píng)測(cè)方法，雷達(dá)圖全景展示，省去逐個(gè)下載評(píng)測(cè)集和熟悉評(píng)測(cè)流程的繁雜；

• 支持多模型多任務(wù)同時(shí)評(píng)測(cè)，評(píng)測(cè)結(jié)果圖表式對(duì)比展示，輔以單條評(píng)測(cè)結(jié)果詳情，方便全方位比較分析；

• 評(píng)測(cè)過程公開透明，結(jié)果可復(fù)現(xiàn)。評(píng)測(cè)代碼開源在與ModelScope共建的開源代碼庫(kù)eval-scope中，方便細(xì)節(jié)查看與復(fù)現(xiàn)：

https://github.com/modelscope/eval-scope

前提條件

• 已開通PAI并創(chuàng)建了默認(rèn)工作空間。具體操作，請(qǐng)參見開通PAI并創(chuàng)建默認(rèn)工作空間。

• 如果選擇自定義數(shù)據(jù)集評(píng)測(cè)，需要?jiǎng)?chuàng)建OSS Bucket存儲(chǔ)空間，用來存放數(shù)據(jù)集文件。具體操作，請(qǐng)參見控制臺(tái)創(chuàng)建存儲(chǔ)空間。

使用費(fèi)用

• PAI大模型評(píng)測(cè)依托于PAI-快速開始產(chǎn)品。快速開始是PAI產(chǎn)品組件，集成了眾多AI開源社區(qū)中優(yōu)質(zhì)的預(yù)訓(xùn)練模型，并且基于開源模型支持零代碼實(shí)現(xiàn)從訓(xùn)練到部署再到推理的全部過程，給您帶來更快、更高效、更便捷的AI應(yīng)用體驗(yàn)。

• 快速開始本身不收費(fèi)，但使用快速開始進(jìn)行模型評(píng)測(cè)時(shí)，可能產(chǎn)生DLC評(píng)測(cè)任務(wù)費(fèi)用，計(jì)費(fèi)詳情請(qǐng)參見DLC計(jì)費(fèi)說明。

• 如果選擇自定義數(shù)據(jù)集評(píng)測(cè)，使用OSS存儲(chǔ)，會(huì)產(chǎn)生相關(guān)費(fèi)用，計(jì)費(fèi)詳情請(qǐng)參見OSS計(jì)費(fèi)概述。

場(chǎng)景一：面向企業(yè)開發(fā)者的自定義數(shù)據(jù)集評(píng)測(cè)

企業(yè)通常會(huì)積累豐富的私有領(lǐng)域數(shù)據(jù)。如何充分利用好這部分?jǐn)?shù)據(jù)，是企業(yè)使用大模型進(jìn)行算法優(yōu)化的關(guān)鍵。因此，企業(yè)開發(fā)者在評(píng)測(cè)開源或微調(diào)后的大模型時(shí)，往往會(huì)基于私有領(lǐng)域下積累的自定義數(shù)據(jù)集，以便于更好地了解大模型在私有領(lǐng)域的效果。

對(duì)于自定義數(shù)據(jù)集評(píng)測(cè)，我們使用NLP領(lǐng)域標(biāo)準(zhǔn)的文本匹配方式，計(jì)算模型輸出結(jié)果和真實(shí)結(jié)果的匹配度，值越大，模型越好。使用該評(píng)測(cè)方式，基于自己場(chǎng)景的獨(dú)特?cái)?shù)據(jù)，可以評(píng)測(cè)所選模型是否適合自己的場(chǎng)景。

以下將重點(diǎn)展示使用過程中的一些關(guān)鍵點(diǎn)，更詳細(xì)的操作細(xì)節(jié)，請(qǐng)參見模型評(píng)測(cè)產(chǎn)品文檔。

1. 準(zhǔn)備自定義評(píng)測(cè)集

1.1. 自定義評(píng)測(cè)集格式

       1. 基于自定義數(shù)據(jù)集進(jìn)行評(píng)測(cè)，需要提供JSONL格式的評(píng)測(cè)集文件

o 文件格式：使用question標(biāo)識(shí)問題列，answer標(biāo)識(shí)答案列。

o 文件示例：llmuses_general_qa_test.jsonl

2. 符合格式要求的評(píng)測(cè)集，可自行上傳至OSS，并創(chuàng)建自定義數(shù)據(jù)集，詳情參見上傳OSS文件和創(chuàng)建及管理數(shù)據(jù)集。

1.2. 創(chuàng)建自定義評(píng)測(cè)集

1. 登錄PAI控制臺(tái)。

2. 在左側(cè)導(dǎo)航欄選擇AI資產(chǎn)管理>數(shù)據(jù)集，進(jìn)入數(shù)據(jù)集頁(yè)面

3. 單擊創(chuàng)建數(shù)據(jù)集

4. 填寫創(chuàng)建數(shù)據(jù)集相關(guān)表單，從OSS中選擇您的自定義評(píng)測(cè)集文件

2. 選擇適合業(yè)務(wù)的模型

2.1.  查找開源模型

1. 在PAI控制臺(tái)左側(cè)導(dǎo)航欄選擇快速開始，進(jìn)入快速開始頁(yè)面

2. 單擊快速開始提供的模型分類信息，直接進(jìn)入到模型列表中，根據(jù)模型描述信息進(jìn)行查看。

3. 單擊進(jìn)入模型詳情頁(yè)后，對(duì)于可評(píng)測(cè)的模型，會(huì)展示評(píng)測(cè)按鈕。

a. 支持模型類型：當(dāng)前模型評(píng)測(cè)支持HuggingFace所有AutoModelForCausalLM類型的模型

2.2. 使用微調(diào)后的模型

1. 使用快速開始進(jìn)行模型微調(diào)，詳細(xì)步驟請(qǐng)參見模型部署及訓(xùn)練

2. 微調(diào)完成后，在快速開始>任務(wù)管理>訓(xùn)練任務(wù)中，單擊訓(xùn)練好的任務(wù)名稱，進(jìn)入任務(wù)詳情頁(yè)后，對(duì)于可評(píng)測(cè)的模型，右上角會(huì)展示評(píng)測(cè)按鈕。

3. 創(chuàng)建評(píng)測(cè)任務(wù)

1. 在模型詳情頁(yè)右上角單擊評(píng)測(cè)，創(chuàng)建評(píng)測(cè)任務(wù)

2. 在新建評(píng)測(cè)任務(wù)頁(yè)面，配置以下關(guān)鍵參數(shù)。

3. 任務(wù)創(chuàng)建成功后，將自動(dòng)分配資源，并開始運(yùn)行。

4. 運(yùn)行完成后，任務(wù)狀態(tài)顯示為已成功。

4. 查看評(píng)測(cè)結(jié)果

4.1. 評(píng)測(cè)任務(wù)列表

1. 在快速開始頁(yè)面，單擊搜索框左側(cè)的任務(wù)管理。

2. 在任務(wù)管理頁(yè)面，選擇模型評(píng)測(cè)標(biāo)簽頁(yè)。

4.2. 單任務(wù)結(jié)果

1. 在模型評(píng)測(cè)列表頁(yè)，單擊評(píng)測(cè)任務(wù)的查看報(bào)告選項(xiàng)，即可進(jìn)入評(píng)測(cè)任務(wù)詳情頁(yè)

2. 評(píng)測(cè)報(bào)告如下圖所示，選擇自定義數(shù)據(jù)集評(píng)測(cè)結(jié)果，將在雷達(dá)圖展示該模型在ROUGE和BLEU系列指標(biāo)上的得分。此外還會(huì)展示評(píng)測(cè)文件每條數(shù)據(jù)的評(píng)測(cè)詳情。

• rouge-n類指標(biāo)計(jì)算N-gram（連續(xù)的N個(gè)詞）的重疊度，其中rouge-1和rouge-2是最常用的，分別對(duì)應(yīng)unigram和bigram，rouge-l 指標(biāo)基于最長(zhǎng)公共子序列（LCS）。

• bleu (Bilingual evaluation Understudy) 是另一種流行的評(píng)估機(jī)器翻譯質(zhì)量的指標(biāo)，它通過測(cè)量機(jī)器翻譯輸出與一組參考翻譯之間的N-gram重疊度來評(píng)分。其中bleu-n指標(biāo)計(jì)算n-gram的匹配度。

3. 最終評(píng)測(cè)結(jié)果會(huì)保存到您指定的OSS路徑中

4.3. 多任務(wù)對(duì)比

1. 當(dāng)需要對(duì)比多個(gè)模型的評(píng)測(cè)結(jié)果時(shí)，可以將它們聚合在一個(gè)頁(yè)面上展示，以便于比較效果。

2. 具體操作為在模型評(píng)測(cè)任務(wù)列表頁(yè)，左側(cè)選擇想要對(duì)比的模型評(píng)測(cè)任務(wù)，右上角單擊對(duì)比，進(jìn)入對(duì)比頁(yè)面。

3. 自定義數(shù)據(jù)集評(píng)測(cè)對(duì)比結(jié)果

場(chǎng)景二：面向算法研究人員的公開數(shù)據(jù)集評(píng)測(cè)

算法研究通常建立在公開數(shù)據(jù)集上。研究人員在選擇開源模型，或?qū)δＰ瓦M(jìn)行微調(diào)后，都會(huì)參考其在權(quán)威公開數(shù)據(jù)集上的評(píng)測(cè)效果。然而，大模型時(shí)代的公開數(shù)據(jù)集種類繁多，研究人員需要花費(fèi)大量時(shí)間調(diào)研選擇適合自己領(lǐng)域的公開數(shù)據(jù)集，并熟悉每個(gè)數(shù)據(jù)集的評(píng)測(cè)流程。為方便算法研究人員，PAI接入了多個(gè)領(lǐng)域的公開數(shù)據(jù)集，并完整還原了各個(gè)數(shù)據(jù)集官方指定的評(píng)測(cè)metrics，以便獲取最準(zhǔn)確的評(píng)測(cè)效果反饋，助力更高效的大模型研究。

在公開數(shù)據(jù)集評(píng)測(cè)中，我們通過對(duì)開源的評(píng)測(cè)數(shù)據(jù)集按領(lǐng)域分類，對(duì)大模型進(jìn)行綜合能力評(píng)估，例如數(shù)學(xué)能力、知識(shí)能力、推理能力等，值越大，模型越好，這種評(píng)測(cè)方式也是大模型領(lǐng)域最常見的評(píng)測(cè)方式。

以下將重點(diǎn)展示使用過程中的一些關(guān)鍵點(diǎn)，更詳細(xì)的操作細(xì)節(jié)，請(qǐng)參見模型評(píng)測(cè)產(chǎn)品文檔。

1. 支持的公開數(shù)據(jù)集

目前PAI維護(hù)的公開數(shù)據(jù)集包括MMLU、TriviaQA、HellaSwag、GSM8K、C-eval、CMMLU、TruthfulQA，其他公開數(shù)據(jù)集陸續(xù)接中。

      2. 選擇適合的模型

      2.1.  查找開源模型

1. 在PAI控制臺(tái)左側(cè)導(dǎo)航欄選擇快速開始，進(jìn)入快速開始頁(yè)面

單擊快速開始提供的模型分類信息，直接進(jìn)入到模型列表中，根據(jù)模型描述信息進(jìn)行查看。

3. 單擊進(jìn)入模型詳情頁(yè)后，對(duì)于可評(píng)測(cè)的模型，會(huì)展示評(píng)測(cè)按鈕。

a. 支持模型類型：當(dāng)前模型評(píng)測(cè)支持HuggingFace所有AutoModelForCausalLM類型的模型

2.2. 使用微調(diào)后的模型

1. 使用快速開始進(jìn)行模型微調(diào)，詳細(xì)步驟請(qǐng)參見模型部署及訓(xùn)練

2. 微調(diào)完成后，在快速開始>任務(wù)管理>訓(xùn)練任務(wù)中，單擊訓(xùn)練好的任務(wù)名稱，進(jìn)入任務(wù)詳情頁(yè)后，對(duì)于可評(píng)測(cè)的模型，右上角會(huì)展示評(píng)測(cè)按鈕。

3. 創(chuàng)建評(píng)測(cè)任務(wù)

1. 在模型詳情頁(yè)右上角單擊評(píng)測(cè)，創(chuàng)建評(píng)測(cè)任務(wù)

2. 在新建評(píng)測(cè)任務(wù)頁(yè)面，配置以下關(guān)鍵參數(shù)。本文以MMLU數(shù)據(jù)集為例。

3. 任務(wù)創(chuàng)建成功后，將自動(dòng)分配資源，并開始運(yùn)行。

4. 運(yùn)行完成后，任務(wù)狀態(tài)顯示為已成功。

4. 查看評(píng)測(cè)結(jié)果

4.1. 評(píng)測(cè)任務(wù)列表

1. 在快速開始頁(yè)面，單擊搜索框左側(cè)的任務(wù)管理。

2. 在任務(wù)管理頁(yè)面，選擇模型評(píng)測(cè)標(biāo)簽頁(yè)。

4.2. 單任務(wù)結(jié)果

1. 在模型評(píng)測(cè)列表頁(yè)，單擊評(píng)測(cè)任務(wù)的查看報(bào)告選項(xiàng)，即可進(jìn)入評(píng)測(cè)任務(wù)詳情頁(yè)

2. 評(píng)測(cè)報(bào)告如下圖所示，選擇公開數(shù)據(jù)集評(píng)測(cè)結(jié)果，將在雷達(dá)圖展示該模型在公開數(shù)據(jù)集上的得分。

o 左側(cè)圖片展示了模型在不同領(lǐng)域的得分情況。每個(gè)領(lǐng)域可能會(huì)有多個(gè)與之相關(guān)的數(shù)據(jù)集，對(duì)屬于同一領(lǐng)域的數(shù)據(jù)集，我們會(huì)把模型在這些數(shù)據(jù)集上的評(píng)測(cè)得分取均值，作為領(lǐng)域得分。

o 右側(cè)圖片展示模型在各個(gè)公開數(shù)據(jù)集的得分情況。每個(gè)公開數(shù)據(jù)集的評(píng)測(cè)范圍詳見該數(shù)據(jù)集官方介紹。

3. 最終評(píng)測(cè)結(jié)果會(huì)保存到您指定的OSS路徑中

4.3. 多任務(wù)對(duì)比

1. 當(dāng)需要對(duì)比多個(gè)模型的評(píng)測(cè)結(jié)果時(shí)，可以將它們?cè)诰酆显谝粋€(gè)頁(yè)面上展示，以便于比較效果。

2. 具體操作為在模型評(píng)測(cè)任務(wù)列表頁(yè)，左側(cè)選擇想要對(duì)比的模型評(píng)測(cè)任務(wù)，右上角單擊對(duì)比，進(jìn)入對(duì)比頁(yè)面。

3. 公開數(shù)據(jù)集評(píng)測(cè)對(duì)比結(jié)果