1. Baseline Test框架重构与完善

在之前的一篇博客中（创新实训2024.05.29日志：评测数据集与baseline测试-CSDN博客），我介绍了我们对于大模型进行基线测试的一些基本想法和实现，包括一些基线测试的初步结果。

后来的一段时间，我一直在试图让这个框架变得更加可用、可扩展、可移植，因为我们想加入更多的大模型（无论在线离线、无论哪个组织开源的、无论多少超参数）进行基线测试，以此更好地衡量我们自己微调并利用RAG技术接入知识库的大模型的性能。

在6.2号，我完成了对于基线测试框架的重构。在6.3号，我完成了对于Qwen-14B微调1000轮以及未微调的大模型接入知识库之后的基线测试。并且利用数据可视化脚本，绘制出了一份图形化报告。

1.1. 基线测试框架架构

这里我绘制出了基线测试框架的类图于流程图。

双击放大查看

首先先说类图：

1. 对于每个大模型对话的抽象类chat的实现类的实例（我们将对这个实例输入一些基于评测集的问题，并让他产生回答，之后记录该回答），都组合了一个test_handler抽象类的实现类的实例，这个实例负责从某种指定类型的结构化文本中产生问题（比如从一个xlsx文件中产生问题）。
2. 每个chat的实现类的实例都实现了一个抽象函数：request_chat，这个抽象函数接受一个字符串query，即test_handler的实现类产生的问题；以及一个json类型的对象，用以辅助设置与某一具体类型的大模型进行对话的配置参数。这个函数返回一个json和dict的Union类型（也即要么json要么dict），表示了大模型对某一个问题的回答，及其这个问题的其他参数。
3. 此外，每个chat的实现类的实例都有一个公共的继承自父类的函数：handle_test，这个函数同样接受一个字符串file_path，用来标明评测数据集的路径；以及一个json对象，用来辅助设置从某一具体类型的评测集中解析得到问题的配置参数。这个函数返回一个dict的列表。也即通过request_chat请求大模型对话得到的所有回答的列表。
4. 而chat类组合的test_handler，也有一个抽象函数：gen_query。它接受一个字符串file_path，这个参数来自handle_test函数。以及一个json对象，同样来自handle_test函数。返回一个字符串的列表，也即从评测集文本中解析并通过prompt模板建立起的所有问题的列表。
5. chat可能会有多个实现类，例如：
   1. llm_chat：请求与某一离线大模型对话的实例（不接入知识库）
   2. kb_chat：请求与某一离线大模型对话的实例（接入知识库）
   3. online_chat：请求与某一在线大模型对话的实例（例如智谱AI的chatglm4）
6. test_handler同样也可能有多个实现类,例如：
   1. xlsx_4_1：从一个xlsx文件中生成一个四选一的单项选择题
   2. json_4_1：从一个json文件中生成一个四选一的单项选择题
   3. xslx_short_answer：从一个xlsx文件中生成一个简答题
7. 此外，chat的实现类的实例中，都包含有一个大模型名字的字符串，这个名字决定了我们最终在服务器上测试哪个大模型。

接着我们来说流程图：

1. 首先初始化一个chat的实现类的实例（我们可以通过初始化一个chat的实现类的实例的列表，然后遍历这个列表得到一个个的chat的实现类的实例）
2. 随后通过这个实例的handle_test函数，调用组合在这个实例中的test_handler的实现类的实例的成员变量。并将评测集路径以及配置的json对象传给他。
3. 随后test_handler实现类的实例将通过gen_query函数，读取指定的评测集文件，随后迭代其中的每一行/每一个元素，根据prompt模板生成一个问题（字符串）的列表。
4. 之后迭代这个问题的列表，将其中的问题一个个发送给大模型，请求大模型的回答。
5. 得到所有回答后，我们保存成一个结构化文本。由于这些问题是带分类标签的（例如，卦辞、爻辞、卦间关系等等），我们可以基于标签将其分类，统计每一个分类下的正确率，随后进行图表的绘制。

这里我放一个简单的、对应于流程图的代码：

chat_list = init_model_chats()  # init_model_chats函数负责初始化一个与大模型对话的实例的列表，其中每一个实例都是chat类的实现类的实例test_file_lists = init_test_files()  # init_test_files函数负责生成一个元组的列表，其中每个元组的第一个元素是目标评测集的路径，第二个元素是目标评测集的配置参数for chat,index in enumerate(chat_list):answers = chat.handle_test(test_file_lists[index][0],test_file_lists[index][0])  # test_file_lists的各个元素和chat_list的各个元素相对应save(answers)  # 将answers保存到指定路径statistic(answers)  # 将answers进行分类统计（正确率），并保存到指定文件data_visualization()  # 将结果进行数据可视化

在这个init_model_chats()中，我都初始化了如下对话实例：

    # 不带知识库m["llm_chat"] = [llm_chat("chatglm3-6b"),  # 没微调大模型的llm_chat("Qwen-14B"),  # 千问大模型llm_chat("Qwen-14B-ft-1000")  # 千问微调1000轮]# 带知识库m["kb_chat"] = [kb_chat("chatglm3-6b"),  # glm3-6b没微调kb_chat("yizhou-ft-3"),  # glm3-6b微调3轮kb_chat("yizhou-ft-30"),  # glm3-6b微调30轮kb_chat("yizhou-ft-50"),  # glm3-6b微调50轮kb_chat("yizhou-ft-100"),  # glm3-6b微调100轮kb_chat("Qwen-14B"),  # 千问大模型kb_chat("Qwen-14B-ft-1000")  # 千问1000轮微调]# 在线大模型m["online_chat"] = [zhipu_ai(configuration, "zhipu_ai")]

参数配置如注释中所述

1.2. 一些额外的机制

此外，我还加入了一些额外的机制，以便更好地集成测试各个大模型，包括：

1. 请求前切换大模型机制
2. completion机制
3. prior best机制
4. label机制

切换大模型机制

对于不同大模型（即便是同一个组织开源的大模型），在进行对话前，我们要对他进行切换（也即切换到这个大模型上），否则如下图所示，无法对话：

因此我在每次遍历大模型对话实例列表时，都会切换当前对话大模型到这个大模型上：

if model_name in config["test_args"]["release_name"]:  # 需要主动切换模型flag = release_models(config["test_args"]["release_name"][model_name],config["test_args"]["release_url"])

其中这个release_model，就是调用集成框架中的切换大模型的接口，进行大模型切换：

def release_models(model_name: str, release_url: str) -> bool:try:data = {"new_model_name": model_name,"keep_origin": False}response = requests.post(url=release_url, json=data)sleep(360)  # 异步响应print(f'切换大模型至{model_name}的响应为:{response.text}')if "msg" not in response.json():return Falsereturn Trueexcept Exception as e:print(f'{e}')return False

completion机制

我在测试过程中遇到过这样一种问题：之前的大模型已经进行过多次测试了，现在又要集成进来新的大模型进行测试，难道还要把之前测过的大模型全部测试一遍吗？

因此我选择在配置文件里加入对这些大模型评测情况的控制，如下：

  "completion": {"llm_chat": {"chatglm3-6b": true,"yizhou-ft-100": true,"yizhou-ft-50": true,"yizhou-ft-30": true,"yizhou-ft-3": true,"Qwen-14B": true,"Qwen-14B-ft-1000": true},"kb_chat": {"chatglm3-6b": true,"yizhou-ft-100": true,"yizhou-ft-50": true,"yizhou-ft-30": true,"yizhou-ft-3": true,"Qwen-14B": true,"Qwen-14B-ft-1000": true},"online_chat": {"zhipu_ai": true}}

这就相当于一排”开关“，测试前，测试人员先在这个配置文件里将需要进行测试的大模型的开关打开（设置为false，代表还未测试）

在测试过程中，我的程序会检查这个配置文件中的参数，并选择需要进行测试的大模型进行测试：

if config["completion"][chat][model_name]:  # 不至于每加一个大模型就把之前跑过的大模型全部重跑一遍，这一块要人工手动维护了continue

prior best机制

这个的含义是：仅选择各个大模型表现最好的一次结果进行记录。

实现思路是：对于每个大模型进行测试后，将结果做一次统计，和现有结果对比（如果现有结果中没有这个大模型的记录则直接写入），如果比现有结果好（正确率更高），则写入，否则不写入：

def which_is_better(curr: dict, prev: json) -> bool:if curr["Solve_rate"] > prev["Solve_rate"]:return Truereturn Falsedef absolute_prior_best(dicts: List[dict], llm_model: str, configuration: json) -> bool:"""用来统计明确作答且solve rate最高的数据"""# 打开之前的文件看一下是否结果更好stats_result = configuration["target"]unresolved_loc = configuration["unresolved_loc"]with open(stats_result, "r+", encoding="utf-8") as stats:stats_data = json.load(stats)  # 之前的结果res, unresolved = count_up(dicts, llm_model)  # res是现在的结果for data in stats_data:if data["llm_name"] == res["llm_name"] and which_is_better(res, data):data["Tot_problem_nums"] = res["Tot_problem_nums"]data["Solved_problem_nums"] = res["Solved_problem_nums"]data["Solve_rate"] = res["Solve_rate"]data["type_stats"] = res["type_stats"]# 准备改写 包括json answer,solve_rate，以及unresolved# 改写unresolvedwith open(os.path.join(unresolved_loc, f'{llm_model}_unresolved.json'),"w", encoding="utf-8") as unresolved_file:json_str = json.dumps(unresolved_file, ensure_ascii=False, indent=4)unresolved_file.write(json_str)stats.seek(0)json.dump(stats_data, stats, ensure_ascii=False, indent=4)return Trueelif data["llm_name"] == res["llm_name"] and not which_is_better(res, data):return False# 改写solve_ratestats_data.append(res)stats.seek(0)json.dump(stats_data, stats, ensure_ascii=False, indent=4)with open(os.path.join(unresolved_loc, f'{llm_model}_unresolved.json'),"w", encoding="utf-8") as unresolved_file:json_str = json.dumps(unresolved, ensure_ascii=False, indent=4)unresolved_file.write(json_str)return True

在这段代码中，which_is_better定义了什么叫做大模型的表现更好，在这里，solve rate更高就代表更好。

absolute_prior_best就是做我上面说的那段逻辑，检查现有结果中是否有这个大模型的记录，没有则将本次的直接写入。如果有则比较和这一次测试的结果，如果这一次测试的结果更好则写入。

同样，这个机制也是可以通过开关开启或关闭的（如果把这个机制关了每次都会覆写现有结果）

label机制

所谓label机制，就是按照各个问题的标签分类，对于各个分类统计正确率。

这里的实现是，直接开一个哈希表，随后对于每个label下的问题，维护哈希表中对应key的value即可。

def count_up(jsons: Union[json, List[dict]], llm_name: str) -> tuple[dict[str, float | str], List[json]]:total_num = len(jsons)solved_num = 0unsolved = []type_map = defaultdict(lambda: [0, 0])  # 统计某一个类型里总共几个问题，对了几个for j in jsons:type_map[j['type']][1] += 1correct_answer = str(j['correct_answer'])kb_answer = str(j['kb_answer'])if kb_answer.find(correct_answer) != -1 or kb_answer.find(correct_answer.lower()) != -1:solved_num += 1type_map[j['type']][0] += 1if not contains_letters(kb_answer):unsolved.append(j)rate = format(solved_num / total_num, '.4f')return {"Tot_problem_nums": total_num,"Solved_problem_nums": solved_num,"Solve_rate": rate,"llm_name": llm_name,"type_stats": {k: f'{v[0]}/{v[1]}' for k, v in type_map.items()}}, unsolved

2. Qwen-14B基线测试与数据可视化结果

2.1. 任务描述

 将框架重构、完善后，我接入了Qwen-14B微调1000轮以及不微调的对话实例。（这两个都接入了知识库）并进行了测试。此外，我还给组员分配了一个数据处理和可视化的任务，最终对基线测试结果进行了统计与图表绘制：

这边可以给你个数据处理和可视化的工作，在仓库的python_scripts分支下，我更新了evaluate和Base_Test_stats这两个模块，前者包含了基线测试的框架以及各个大模型对话接口的实现类，后者包含了对话结果中问题的总solve_rate以及各个问题分类标签下的solve_rate里面有基线测试的结果数据。前者包括了几个文件夹：

target_files是总的目标文件，json_answer是所有大模型对话的结果文件，xlsx_answer是转换为excel表格的（这个可以不用管），statistic下solve_rate是solve_rate的汇总结果，unresolved是各个大模型对话时没有明确指出选项的回答（里面可能包含对的和错的答案）。 现在的任务如下：
0. 从仓库中对应分支拉取代码，将target_files放入对应位置
1. 对unresolved文件夹下的各个json文件进行人工判题，例如：

这幅图中的回答，对应了A选项的渐卦，因此算是正确

这幅图中的康对应不上任何选项，因此错误。

2. 对人工判题的结果，进行总计与分类统计，例如：总计x/y（其中x是unresolved中正确的个数，y是该文件中的总题数），分类1：卦辞：p/q（其中p是unresolved中卦辞这一类问题中的正确的个数，q是卦辞这一类问题中的总个数，例如3/5），分类2...
3. 对1、2的结果，在csdn博客中开一个表格进行统计
4. 对1、2的结果，累加至solve_rate下的solve_rate.json文件中，例如，微调100轮带知识库的总计10/21（我瞎说的数字），分类1：卦辞3/5，分类2：... 将其对应累加至响应项上

5. 对累加后的solve_rate.json文件进行数据可视化，其中纵轴是正确率，横轴具有层级结构：例如，第一个分区是微调100轮带知识库的，第二个分区是不微调带知识库的...等等。每个分区有一些条柱，分别对应于总计的正确率，分类1的正确率，分类2的正确率等等...同时要保证每一种分类、总计的条柱在不同分区的颜色一致，例如，总计为红色，分类1为橙色，分类2为绿色...等等。最终，每个条柱上要标明正确率，例如，总计正确率61.20%，分类1正确率57.89%，以百分数形式精确到小数点后两位。

2.2. 任务实现

这位同学已经将这份工作完成了，细节见于以下两篇博客：

创新实训记录（三）-CSDN博客

 创新实训记录（四）-CSDN博客

2.3. 结果展示

数据统计

这里我接入Qwen-14B后，利用他的脚本以及统计的数据表格，再次汇总出来了一张表：

彖传(8)

 数据可视化

随后，利用Python脚本进行数据可视化，结果如下：

前面那副图像，每个分类是各个大模型对于各个标签下的问题的正确率的对比；后面的图像，每个分类是各个标签下的问题对于各个大模型回答的正确率的汇总。

结果分析

可以看到，一开始在训练轮数不够的情况下，我们是在进行负优化的（因为无论是接入还是不接入知识库，都要比不上不微调的大模型）。或者说轮数不够欠拟合了。

但是！在训练轮数足够的情况下，我们是在做正优化的。接入知识库后，我们的模型比不微调的Qwen以及在线的glm4的性能都要优越。是唯一一个正确率在80%左右的大模型。

和最开始的glm3-6b比起来，我们的进行过1000轮微调以及接入知识库的Qwen大模型，在170道客观题中，多回答对了53道。其中：

也就是说我们的大模型最终在评测集上将初始大模型提升了66.25%的acc率。可以说是效果显著。