LongBench是一个多任务、中英双语、针对大语言模型长文本理解能力的评测基准，覆盖了多个长文本应用场景。本项目在LongBench上测试了相关模型效果。

接下来将介绍LongBench数据集的预测方法。也可参考Colab notebook：

按照官方的requirements.txt配置环境。相关文件已被复制到本项目的scripts/longbench目录下：

pip install -r scripts/longbench/requirements.txt

无需单独下载数据。预测脚本会自动从 🤗 Datasets下载所需数据。

运行以下脚本进行推理：

model_path=path/to/chinese_llama2_or_alpaca2
output_path=path/to/output_dir
data_class=zh
with_inst="true" # or "false" or "auto"
max_length=3584

cd scripts/longbench
python pred_llama2.py \
    --model_path ${model_path} \
    --predict_on ${data_class} \
    --output_dir ${output_dir} \
    --with_inst ${with_inst} \
    --max_length ${max_length}

• --model_path ${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）
• --predict_on {data_class}: 指定待预测的任务，可以为en，zh，code，或它们的组合，以逗号分隔，如en,zh,code
• --output_dir ${output_dir}：评测结果的输出目录
• --max_length ${max_length}：指令的最大长度。注意此长度不包括system prompt以及任务相关prompt在内。
• --with_inst ${with_inst}：在构建模型的输入指令时是否使用Chinese-Alpaca-2的prompt及模版：
  • true：所有任务上都使用prompt及模版
  • false：所有任务上都不使用prompt及模版
  • auto：只在部分任务上使用prompt及模版（LongBench官方的策略） 建议在使用Alpaca模型时，设置为auto；使用LLaMA模型时，设置为false。
• --gpus ${gpus}：如需指定特定的GPU，请使用此参数，如0,1。
• --alpha ${alpha}： NTK上下文扩展方法系数。一般设为待处理文本长度 / 模型上下文长度 * 2 - 1。或更方便地设为auto即可。
• --e：在LongBench-E数据集上进行预测。参考LongBench官方文档以了解LongBench-E的详细说明。
• --use_flash_attention_2: 适用flash_attention_2进行推理加速
• --use_ntk: 适用dynamic_ntk方法扩展上下文窗口。不适用于64K版长上下文模型。

待模型运行结束后，在${output_dir}/pred/或${output_dir}/pred_e/下（取决于是否在LongBench-E上测试，即是否使用了-e）将生成各对应任务的预测文件（jsonl格式）。执行以下命令计算效果指标：

python eval.py --output_dir ${output_dir}

如果在上一步预测时使用了-e，在eval时也需提供-e参数：

python eval.py --output_dir ${output_dir} -e

计算结果存放在${output_dir}/pred/result.json或${output_dir}/pred_e/result.json下。例如在LongBench中文任务上测试（--predict_on zh) Chinese-Alpaca-2-7B，结果为：

{
    "lsht": 20.5,
    "multifieldqa_zh": 32.74,
    "passage_retrieval_zh": 4.5,
    "vcsum": 11.52,
    "dureader": 16.59
}