13274243a0
Keep K3 suite selection and report-schema scoring in bash, merge K3/vision dataset_args into dpv4 yamls, and pin EvalScope at 735d920ee911 with local patches. Co-authored-by: Cursor <cursoragent@cursor.com>
153 lines
4.8 KiB
Markdown
153 lines
4.8 KiB
Markdown
# AGIEval
|
||
|
||
|
||
## 概述
|
||
|
||
AGIEval 是一个以人类为中心的基准测试，旨在评估基础模型在人类认知与问题解决场景下的能力。该基准采用面向普通人类考生的官方、标准且权威的入学及资格考试题目，例如高考（GaoKao）、法学院入学考试（LSAT）、数学竞赛以及律师资格考试等。
|
||
|
||
## 任务描述
|
||
|
||
- **任务类型**：混合型（多项选择问答 + 开放式数学题）
|
||
- **输入**：标准化考试中的题目，可包含段落和选项
|
||
- **输出**：多项选择题的答案字母，或开放式题目的数值/数学答案
|
||
- **语言**：英语和中文
|
||
|
||
## 主要特点
|
||
|
||
- 包含21个子集，涵盖两种语言下的多种考试类型
|
||
- 英语多项选择题：LSAT（AR/LR/RC）、SAT（数学/英语）、AQuA-RAT、LogiQA、GaoKao-English
|
||
- 中文多项选择题：GaoKao（语文/地理/历史/生物/化学/物理/MathQA）、LogiQA-zh、JEC-QA
|
||
- 开放式数学题：MATH（英语）、GaoKao-MathCloze（中文）
|
||
- 多选子集：JEC-QA-KD、JEC-QA-CA、GaoKao-Physics
|
||
- 包含基于段落的阅读理解题目
|
||
|
||
## 评估说明
|
||
|
||
- 多项选择题子集使用 evalscope 的标准 MultiChoice 模板和答案提取方法
|
||
- 多选子集使用中文多答案模板
|
||
- 数学/填空类子集采用数学等价性检查
|
||
- 默认启用 CoT（思维链）提示
|
||
|
||
## 属性
|
||
|
||
| 属性 | 值 |
|
||
|----------|-------|
|
||
| **基准测试名称** | `agieval` |
|
||
| **数据集ID** | [opencompass/agieval](https://modelscope.cn/datasets/opencompass/agieval/summary) |
|
||
| **论文** | N/A |
|
||
| **标签** | `Knowledge`, `MCQ`, `Math`, `Reasoning` |
|
||
| **指标** | `accuracy` |
|
||
| **默认示例数** | 0-shot |
|
||
| **评估划分** | `test` |
|
||
| **训练划分** | `dev` |
|
||
|
||
|
||
## 数据统计
|
||
|
||
| 指标 | 值 |
|
||
|--------|-------|
|
||
| 总样本数 | 8,269 |
|
||
| 提示词长度（平均） | 673.58 字符 |
|
||
| 提示词长度（最小/最大） | 40 / 5316 字符 |
|
||
|
||
**各子集统计数据：**
|
||
|
||
| 子集 | 样本数 | 提示平均长度 | 提示最小长度 | 提示最大长度 |
|
||
|--------|---------|-------------|------------|------------|
|
||
| `aqua-rat` | 254 | 290.09 | 103 | 587 |
|
||
| `logiqa-en` | 651 | 911.89 | 248 | 1769 |
|
||
| `lsat-ar` | 230 | 946.36 | 635 | 1853 |
|
||
| `lsat-lr` | 510 | 1156.66 | 563 | 2348 |
|
||
| `lsat-rc` | 269 | 3652.86 | 2959 | 4825 |
|
||
| `sat-math` | 220 | 392.45 | 120 | 1201 |
|
||
| `sat-en` | 206 | 4618.28 | 3569 | 5316 |
|
||
| `sat-en-without-passage` | 206 | 435.91 | 169 | 937 |
|
||
| `gaokao-english` | 306 | 2025.44 | 517 | 4216 |
|
||
| `logiqa-zh` | 651 | 267.62 | 98 | 526 |
|
||
| `gaokao-chinese` | 246 | 988.09 | 152 | 2186 |
|
||
| `gaokao-geography` | 199 | 204.82 | 64 | 881 |
|
||
| `gaokao-history` | 235 | 141.48 | 67 | 314 |
|
||
| `gaokao-biology` | 210 | 203.98 | 75 | 685 |
|
||
| `gaokao-chemistry` | 207 | 348.37 | 58 | 1454 |
|
||
| `gaokao-physics` | 200 | 251.9 | 58 | 581 |
|
||
| `gaokao-mathqa` | 351 | 201.59 | 93 | 615 |
|
||
| `jec-qa-kd` | 1,000 | 170.43 | 54 | 454 |
|
||
| `jec-qa-ca` | 1,000 | 240.71 | 79 | 883 |
|
||
| `math` | 1,000 | 211.95 | 40 | 2186 |
|
||
| `gaokao-mathcloze` | 118 | 123.42 | 48 | 501 |
|
||
|
||
## 样例示例
|
||
|
||
**子集**: `aqua-rat`
|
||
|
||
```json
|
||
{
|
||
"input": [
|
||
{
|
||
"id": "e28353e5",
|
||
"content": "Q: A car is being driven, in a straight line and at a uniform speed, towards the base of a vertical tower. The top of the tower is observed from the car and, in the process, it takes 10 minutes for the angle of elevation to change from 45° to 60°. After how much more time will this car reach the base of the tower? Answer Choices: (A)5(√3 + 1) (B)6(√3 + √2) (C)7(√3 – 1) (D)8(√3 – 2) (E)None of these\nA: Among A through E, the answer is"
|
||
}
|
||
],
|
||
"choices": [
|
||
"(A)5(√3 + 1)",
|
||
"(B)6(√3 + √2)",
|
||
"(C)7(√3 – 1)",
|
||
"(D)8(√3 – 2)",
|
||
"(E)None of these"
|
||
],
|
||
"target": "A",
|
||
"id": 0,
|
||
"group_id": 0,
|
||
"metadata": {
|
||
"subset": "aqua-rat",
|
||
"has_passage": false
|
||
}
|
||
}
|
||
```
|
||
|
||
## 提示模板
|
||
|
||
**提示模板：**
|
||
```text
|
||
请回答以下多项选择题。你的回答最后一行应为以下格式：'ANSWER: [LETTER]'（不含引号），其中 [LETTER] 是 {letters} 中的一个。请逐步思考后再作答。
|
||
|
||
{question}
|
||
|
||
{choices}
|
||
```
|
||
|
||
## 使用方法
|
||
|
||
### 使用 CLI
|
||
|
||
```bash
|
||
evalscope eval \
|
||
--model YOUR_MODEL \
|
||
--api-url OPENAI_API_COMPAT_URL \
|
||
--api-key EMPTY_TOKEN \
|
||
--datasets agieval \
|
||
--limit 10 # 正式评估时请删除此行
|
||
```
|
||
|
||
### 使用 Python
|
||
|
||
```python
|
||
from evalscope import run_task
|
||
from evalscope.config import TaskConfig
|
||
|
||
task_cfg = TaskConfig(
|
||
model='YOUR_MODEL',
|
||
api_url='OPENAI_API_COMPAT_URL',
|
||
api_key='EMPTY_TOKEN',
|
||
datasets=['agieval'],
|
||
dataset_args={
|
||
'agieval': {
|
||
# subset_list: ['aqua-rat', 'logiqa-en', 'lsat-ar'] # 可选，用于评估特定子集
|
||
}
|
||
},
|
||
limit=10, # 正式评估时请删除此行
|
||
)
|
||
|
||
run_task(task_cfg=task_cfg)
|
||
```
|