本文主要是介绍基础闯关6，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！
一、环境配置
我们来配置OpenCompass实验环境：
conda create -n opencompass python=3.10
conda activate opencompass
conda install pytorch==2.1.2 torchvision==0.16.2 torchaudio==2.1.2 pytorch-cuda=12.1 -c pytorch -c nvidia -ycd /root
git clone -b 0.2.4 https://github.com/open-compass/opencompass
cd opencompass
pip install -e .apt-get update
apt-get install cmake
pip install -r requirements.txt
pip install protobuf二、数据准备
我们需要准备ceval数据集，开发机中已经包含了数据压缩包，因此我们将数据解压到opencompass目录：
cp /share/temp/datasets/OpenCompassData-core-20231110.zip /root/opencompass/
unzip OpenCompassData-core-20231110.zip 三、启动评测
打开 opencompass文件夹下configs/models/hf_internlm/的hf_internlm2_chat_1_8b.py 文件，修改文件如下：
from opencompass.models import HuggingFaceCausalLMmodels = [dict(type=HuggingFaceCausalLM,abbr='internlm2-1.8b-hf',path="/share/new_models/Shanghai_AI_Laboratory/internlm2-chat-1_8b",tokenizer_path='/share/new_models/Shanghai_AI_Laboratory/internlm2-chat-1_8b',model_kwargs=dict(trust_remote_code=True,device_map='auto',),tokenizer_kwargs=dict(padding_side='left',truncation_side='left',use_fast=False,trust_remote_code=True,),max_out_len=100,min_out_len=1,max_seq_len=2048,batch_size=8,run_cfg=dict(num_gpus=1, num_procs=1),)
]通过以下命令评测 InternLM2-Chat-1.8B 模型在 C-Eval 数据集上的性能：
#环境变量配置
export MKL_SERVICE_FORCE_INTEL=1python run.py --datasets ceval_gen --models hf_internlm2_chat_1_8b --debug评测过程时间较长，我在10%A100算力的开发机中评测时间约4.5-5小时左右。评测结果如下：
这篇关于基础闯关6的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！
