评估指标
在评测阶段，我们一般以数据集本身的特性来选取对应的评估策略，最主要的依据为标准答案的类型，一般以下几种类型：
- 选项：常见于分类任务，判断题以及选择题，目前这类问题的数据集占比最大，有 MMLU, CEval 数据集等等，评估标准一般使用准确率--
ACCEvaluator。 - 短语：常见于问答以及阅读理解任务，这类数据集主要包括 CLUE_CMRC, CLUE_DRCD, DROP 数据集等等，评估标准一般使用匹配率--
EMEvaluator。 - 句子：常见于翻译以及生成伪代码、命令行任务中，主要包括 Flores, Summscreen, Govrepcrs, Iwdlt2017 数据集等等，评估标准一般使用 BLEU(Bilingual Evaluation Understudy)--
BleuEvaluator。 - 段落：常见于文本摘要生成的任务，常用的数据集主要包括 Lcsts, TruthfulQA, Xsum 数据集等等，评估标准一般使用 ROUGE（Recall-Oriented Understudy for Gisting Evaluation）--
RougeEvaluator。 - 代码：常见于代码生成的任务，常用的数据集主要包括 Humaneval，MBPP 数据集等等，评估标准一般使用执行通过率以及
pass@k，目前 Opencompass 支持的有MBPPEvaluator、HumanEvaluator。
还有一类打分类型评测任务没有标准答案，比如评判一个模型的输出是否存在有毒，可以直接使用相关 API 服务进行打分，目前支持的有 ToxicEvaluator，目前有 realtoxicityprompts 数据集使用此评测方式。
已支持评估指标
目前 OpenCompass 中，常用的 Evaluator 主要放在 opencompass/openicl/icl_evaluator文件夹下， 还有部分数据集特有指标的放在 opencompass/datasets 的部分文件中。以下是汇总：
| 评估指标 | 评估策略 | 常用后处理方式 | 数据集 |
|---|---|---|---|
ACCEvaluator |
正确率 | first_capital_postprocess |
agieval, ARC, bbh, mmlu, ceval, commonsenseqa, crowspairs, hellaswag |
EMEvaluator |
匹配率 | None, dataset_specification | drop, CLUE_CMRC, CLUE_DRCD |
BleuEvaluator |
BLEU | None, flores |
flores, iwslt2017, summscreen, govrepcrs |
RougeEvaluator |
ROUGE | None, dataset_specification | truthfulqa, Xsum, XLSum |
JiebaRougeEvaluator |
ROUGE | None, dataset_specification | lcsts |
HumanEvaluator |
pass@k | humaneval_postprocess |
humaneval_postprocess |
MBPPEvaluator |
执行通过率 | None | mbpp |
ToxicEvaluator |
PerspectiveAPI | None | realtoxicityprompts |
AGIEvalEvaluator |
正确率 | None | agieval |
AUCROCEvaluator |
AUC-ROC | None | jigsawmultilingual, civilcomments |
MATHEvaluator |
正确率 | math_postprocess |
math |
MccEvaluator |
Matthews Correlation | None | -- |
SquadEvaluator |
F1-scores | None | -- |
如何配置
评估标准配置一般放在数据集配置文件中，最终的 xxdataset_eval_cfg 会传给 dataset.infer_cfg 作为实例化的一个参数。
下面是 govrepcrs_eval_cfg 的定义， 具体可查看 configs/datasets/govrepcrs。
from opencompass.openicl.icl_evaluator import BleuEvaluator
from opencompass.datasets import GovRepcrsDataset
from opencompass.utils.text_postprocessors import general_cn_postprocess
govrepcrs_reader_cfg = dict(.......)
govrepcrs_infer_cfg = dict(.......)
# 评估指标的配置
govrepcrs_eval_cfg = dict(
evaluator=dict(type=BleuEvaluator), # 使用常用翻译的评估器BleuEvaluator
pred_role='BOT', # 接受'BOT' 角色的输出
pred_postprocessor=dict(type=general_cn_postprocess), # 预测结果的后处理
dataset_postprocessor=dict(type=general_cn_postprocess)) # 数据集标准答案的后处理
govrepcrs_datasets = [
dict(
type=GovRepcrsDataset, # 数据集类名
path='./data/govrep/', # 数据集路径
abbr='GovRepcrs', # 数据集别名
reader_cfg=govrepcrs_reader_cfg, # 数据集读取配置文件，配置其读取的split，列等
infer_cfg=govrepcrs_infer_cfg, # 数据集推理的配置文件，主要 prompt 相关
eval_cfg=govrepcrs_eval_cfg) # 数据集结果的评估配置文件，评估标准以及前后处理。
]