本项目在CMMLU评测数据集上测试了相关模型效果，其中测试集包含11K个选择题，涵盖67个学科。

接下来将介绍CMMLU数据集的预测方法

从CMMLU官方指定路径下载评测数据集，并解压至data文件夹：

wget https://huggingface.co/datasets/haonan-li/cmmlu/resolve/main/cmmlu_v1_0_1.zip
unzip cmmlu_v1_0_1.zip -d data

将data文件夹放置于本项目的scripts/cmmlu目录下。

运行以下脚本：

model_path=path/to/chinese_llama2_or_alpaca2
output_path=path/to/your_output_dir

cd scripts/cmmlu
python eval.py \
    --model_path ${model_path} \
    --few_shot False \
    --with_prompt True \
    --constrained_decoding True \
    --output_dir ${output_path} \
    --input_dir data

• model_path：待评测模型所在目录（完整的Chinese-LLaMA-2或Chinese-Alpaca-2模型，非LoRA）

• cot：是否使用chain-of-thought

• few_shot：是否使用few-shot

• ntrain：few_shot=True时，指定few-shot实例的数量（5-shot：ntrain=5）；few_shot=False时该项不起作用

• with_prompt：模型输入是否包含针对Alpaca-2模型的指令模板

• constrained_decoding：由于C-Eval评测的标准答案格式为选项'A'/'B'/'C'/'D'，所以我们提供了两种从模型生成内容中抽取答案的方案：

  • 当constrained_decoding=True，计算模型生成的第一个token分别为'A', 'B', 'C', 'D'的概率，选择其中概率最大的一个作为答案

  • 当constrained_decoding=False，用正则表达式从模型生成内容中提取答案

• temperature：模型解码时的温度

• n_times：指定评测的重复次数，将在output_dir下生成指定次数的文件夹

• output_dir：指定评测结果的输出路径

• input_dir: 指定评测数据的路径

• 模型预测完成后，生成目录outputs/take*，其中*代表数字，范围为0至n_times-1，分别储存了n_times次解码的结果。

• outputs/take*下包含submission.json和summary.json两个json文件。

• submission.json为生成的存储模型评测答案的文件，形式如：

{
    "arts": {
        "0": "A",
        "1": "B",
        ...
    },
      "nutration": {
        "0": "B",
        "1": "A",
        ...
      },
    ...
}

• summary.json包含模型在67个主题下、5个大类下和总体平均的评测结果。例如，json文件最后的All字段中会显示总体平均效果：

  "All": {
    "score": 0.39984458642721465,
    "num": 11582,
    "correct": 4631.0
  }

其中score为准确率，num为测试的总样本条数，correct为正确的数量。