Step1 配置精度测试环境

1. 获取精度测试代码。精度测试代码存放在代码包AscendCloud-LLM的llm_tools/llm_evaluation目录中，代码目录结构如下。目前使用的opencompass版本是0.2.6

   benchmark_eval
   ├──opencompass.sh       #运行opencompass脚本
   ├──install.sh             #安装opencompass脚本
   ├──vllm_api.py          #启动vllm api服务器
   ├──vllm.py             #构造vllm评测配置脚本名字
   ├──vllm_ppl.py             #ppl精度测试脚本

2. 精度评测切换conda环境，确保之前启动服务为vllm接口，进入到benchmark_eval目录下，执行如下命令。

   conda activate python-3.9.10 
   bash install.sh

3. 在/home/ma-user/AscendCloud/AscendCloud-LLM/llm_tools/llm_evaluation/benchmark_eval目录下安装依赖。

   cd opencompass #在benchmark_eval目录下
   pip install -e . #下载对应依赖
   cd ../human-eval #在benchmark_eval目录下 （可选，如果选择使用humaneval数据集）
   pip install -e .  # 可选，如果选择使用humaneval数据集

4. （可选）如果需要在humaneval数据集上评估模型代码能力，请执行此步骤，否则忽略这一步。原因是通过opencompass使用humaneval数据集时，需要执行模型生成的代码。请仔细阅读human_eval/execution.py文件第48-57行的注释，内容参考如下。了解执行模型生成代码可能存在的风险，如果接受这些风险，请取消第58行的注释，执行下面步骤5进行评测。

   # WARNING
   # This program exists to execute untrusted model-generated code. Although
   # it is highly unlikely that model-generated code will do something overtly
   # malicious in response to this test suite, model-generated code may act
   # destructively due to a lack of model capability or alignment.
   # Users are strongly encouraged to sandbox this evaluation suite so that it 
   # does not perform destructive actions on their host or network. For more 
   # information on how OpenAI sandboxes its code, see the accompanying paper.
   # Once you have read this disclaimer and taken appropriate precautions, 
   # uncomment the following line and proceed at your own risk:
   #                       exec(check_program, exec_globals)     #第58行

5. 执行精度测试启动脚本opencompass.sh，具体操作命令如下，可以根据参数说明修改参数。请确保${work_dir} 已经通过export设置。

   vllm_path=${vllm_path} \
   host=$host \
   service_port=${service_port} \
   max_out_len=${max_out_len} \
   batch_size=${batch_size} \
   eval_datasets=${eval_datasets}  \
   model_name=${model_name} \
   benchmark_type=${benchmark_type} \
   bash -x opencompass.sh

   参数说明:

   • vllm_path：构造vllm评测配置脚本名字，默认为vllm。
   • host：与起服务的host保持一致，比如起服务为0.0.0.0,host设置也为0.0.0.0。
   • service_port：服务端口，与启动服务时的端口保持，比如8080。
   • max_out_len：在运行类似mmlu、ceval等判别式回答时，max_out_len建议设置小一些，比如16。在运行human_eval等生成式回答（生成式回答是对整体进行评测，少一个字符就可能会导致判断错误）时，max_out_len设置建议长一些，比如512，至少包含第一个回答的全部字段。
   • batch_size：输入的batch_size大小，不影响精度，只影响得到结果速度。
   • eval_datasets：评测数据集和评测方法，比如ceval_gen、mmlu_gen，不同数据集可以详见opencompass下面data目录。
   • model_name：评测模型名称，不需要与启动服务时的模型参数保持一致。
   • benchmark_type：作为一个保存log结果中的一个变量名，默认选eval。
   参考命令：

   vllm_path=vllm host=0.0.0.0 service_port=8080 max_out_len=16 batch_size=2 eval_datasets=mmlu_gen   model_name=llama_7b  benchmark_type=eval bash -x opencompass.sh

6. （可选）如果同时运行多个数据集，需要将不同数据集通过空格分开，加入到eval_datasets中，比如eval_datasets=ceval_gen mmlu_gen。运行命令如下所示。

   cd opencompass
   python run.py --models vllm --datasets mmlu_gen ceval_gen --debug -w ${output_path}

   output_path: 要保存的结果路径。

7. （可选）创建新conda环境，安装vllm和opencompass。执行完之后，在 opencompass/configs/models/vllm/vllm_ppl.py 里是ppl的配置项。由于离线执行推理，消耗的显存相当庞大。其中以下参数需要根据实际来调整。
   • batch_size, 推理时传入的 prompts 数量，可配合后面的参数适当减少
   • offline，是否启动离线模型，使用 ppl 时必须为 True
   • tp_size，使用推理的卡数
   • max_seq_len，推理的上下文长度，和消耗的显存直接相关，建议稍微高于prompts。其中，mmlu和ceval 建议 3200

   另外，在 opencompass/opencompass/models/vllm_api.py 中，可以适当调整 gpu_memory_utilization。如果还是 oom，建议适当往下调整。

   最后，如果执行报错提示oom，建议修改数据集的shot配置。例如mmlu，可以修改文件 opencompass/configs/datasets/mmlu/mmlu_ppl_ac766d.py 中的

   fix_id_list, 将最大值适当调低。

   ppl困惑度评测一般用于base权重测评，会将n个选项上拼接上下文，形成n个序列，再计算着n个序列的困惑度(perplexity)。其中，perplexity最小的序列所对应的选项即为这道题的推理结果。运行时间比较长，例如llama3_8b 跑完mmlu要2~3小时。

   在npu卡上，使用多卡进行推理时，需要预置变量

   export PYTORCH_NPU_ALLOC_CONF=expandable_segments:False

   执行脚本如下：

   python run.py --models vllm_ppl --datasets mmlu_ppl -w ${output_path}

   output_path 指定保存结果的路径。

   参考模型llama3系列模型，数据集mmlu为例，配置如下：

   表1 参数配置

   模型	max_seq_len	batch_size	shot数
   llama3_8b	3200	8	采用默认值
   llama3_70b	3200	4	[0, 1, 2]

8. (可选) opencompass也支持通过本地权重来进行ppl精度测试。本质上使用transformers进行推理，因为没有框架的优化，执行时间最长。另一方面，由于是使用transformers推理，结果也是最稳定的。对单卡运行的模型比较友好，算力利用率比较高。对多卡运行的推理，缺少负载均衡，利用率低。

   在昇腾卡上执行时，需要在 opencompass/opencompass/runners/local.py 中添加如下代码

   import torch
   import torch_npu
   from torch_npu.contrib import transfer_to_npu

   执行脚本如下

   # for llama3_8b
   python run.py --datasets mmlu_ppl \  
   --hf-type base --hf-path {hf-path} \  
   --max-seq-len 3200 --max-out-len 16 --hf-num-gpus 1 --batch-size 4 \  
   -w {output_path} --debug 

   参数说明如下：

   • --datasets：评测的数据集及评测方法，其中 mmlu 是数据集，ppl 是评测方法。
   • --hf-type：HuggingFace模型权重类型(base,chat), 默认为chat, 依据实际的模型选择。
   • --hf-path：本地 HuggingFace 权重的路径，比如/home/ma-user/nfs/model/Meta-Llama-3-8B。
   • --max-seq-len：模型的最大序列长度。
   • --max-out-len：模型的最大输出长度。
   • --hf-num-gpus：需要使用的卡数。
   • --batch-size：推理每次处理的输入数目。
   • -w：存放输出结果的目录。