请教LongBench-v2上评测时输出异常问题
对于同一个输入：{"_id": "66f36490821e116aacb2cc22", ..., "question": "According to the report, how to promote the construction of smart courts?", ...}，
使用Qwen2.5-72B-Instruct推理时返回
"response": "The correct answer is (A) Through technology empowerment, change the way of working and improve office efficiency."
使用Qwen2.5-7B-LongPO-128K推理时返回
"response": "Thead---c---c-c-a\nde\ndbc-dee-0cb--a0cbad\n The-adad-dca-ca---c8-c-dede-0cd00a\n-S\n\n-\nd-d\n-\n0cb \n--\n \n \ndb the the following options: 1. The number of people who like chocolate ice cream is the most most 2 2 2: 2. 2 flavor 2 2. 2 is 2 2 2 flavors 2 2 options: 2. 2 2"
这其中固然存在模型参数量的差异，但是看Qwen2.5-7B-LongPO-128K的response像是出了问题，所以想请教下配置上有没有需要特别注意的地方（p.s.: 使用几十个token输入时模型回复是正常的）
Hi, 感谢关注。
应该没有什么特别需要设置的地方，注意rope theta load正确并且apply chat format就可以了，然后Longbench有个model2maxlen的map，注意follow原始的setting修改到120000。我按照这样的setting跑了Qwen-2.5-LongPO-128K, 在LongBench v2上的结果如下：
| Overall | Easy | Hard | Short | Medium | Long | |
|---|---|---|---|---|---|---|
| w/o CoT | 32.6 | 32.3 | 32.8 | 36.7 | 33.5 | 24.1 |
| w/ CoT | 35.4 | 44.3 | 29.9 | 41.7 | 33.5 | 28.7 |
应该是比较impressive的结果了，可供参考。注意longbench v2原始的eval代码由于使用了多线程可能会引入随机性导致每次运行结果不同 https://github.com/THUDM/LongBench/issues/94#issuecomment-2601354113
Hi, 感谢关注。
应该没有什么特别需要设置的地方，注意rope theta load正确并且apply chat format就可以了，然后Longbench有个model2maxlen的map，注意follow原始的setting修改到120000。我按照这样的setting跑了Qwen-2.5-LongPO-128K, 在LongBench v2上的结果如下：
Overall Easy Hard Short Medium Long w/o CoT 32.6 32.3 32.8 36.7 33.5 24.1 w/ CoT 35.4 44.3 29.9 41.7 33.5 28.7 应该是比较impressive的结果了，可供参考。注意longbench v2原始的eval代码由于使用了多线程可能会引入随机性导致每次运行结果不同 https://github.com/THUDM/LongBench/issues/94#issuecomment-2601354113
请问“rope theta load正确”是需要设置什么吗？我没有对theta信息做修改，用的官方代码直接加载的模型，vllm serve + client.chat.completions.create 的方式应该不需要我们使用apply chat format来构造输入。
为了避免随机性我没有使用vllm而是直接hf.generate，但只要指定--trust-remote-code后应该不需要修改任何东西就可以使用vllm serving。如果你依然遇到问题可以post你运行的指令，我有空时候可以测一下。
以及可以提供一下vllm版本等环境信息。