129 lines
3.7 KiB
Markdown
129 lines
3.7 KiB
Markdown
# ArXiv-Math
|
||
|
||
## 概述
|
||
|
||
ArXiv-Math 是一个包含 103 道研究级数学问题的基准测试，这些问题均摘自 arXiv 预印本论文。这些问题代表了前沿数学研究，用于评估语言模型在知识前沿对高级数学概念进行推理的能力。
|
||
|
||
## 任务描述
|
||
|
||
- **任务类型**：研究级数学问题求解
|
||
- **输入**：来自 arXiv 论文的高级数学问题
|
||
- **输出**：分步解答及最终答案
|
||
- **难度**：研究级 / 研究生水平
|
||
|
||
## 主要特点
|
||
|
||
- 103 道问题来源于 arXiv 预印本（2024 年 12 月至 2025 年 3 月）
|
||
- 包含四个按月划分的子集：december、february、january、march
|
||
- 覆盖多个数学领域：代数、组合数学、分析、几何、数论
|
||
- 问题需要深厚的数学推理能力和领域专业知识
|
||
- 代表当前数学研究难度的最前沿
|
||
|
||
## 评估说明
|
||
|
||
- 默认配置使用 **0-shot** 评估
|
||
- 答案应使用 `\boxed{}` 格式包裹，以便正确提取
|
||
- 采用数值准确率指标，并结合符号等价性检查
|
||
- 结果可按每月竞赛子集分别统计
|
||
|
||
## 属性
|
||
|
||
| 属性 | 值 |
|
||
|----------|-------|
|
||
| **基准测试名称** | `arxivmath` |
|
||
| **数据集ID** | [evalscope/arxivmath](https://modelscope.cn/datasets/evalscope/arxivmath/summary) |
|
||
| **论文** | N/A |
|
||
| **标签** | `Math`, `Reasoning` |
|
||
| **指标** | `acc` |
|
||
| **默认示例数** | 0-shot |
|
||
| **评估划分** | `train` |
|
||
|
||
|
||
## 数据统计
|
||
|
||
| 指标 | 值 |
|
||
|--------|-------|
|
||
| 总样本数 | 103 |
|
||
| 提示词长度（平均） | 622.88 字符 |
|
||
| 提示词长度（最小/最大） | 224 / 1392 字符 |
|
||
|
||
**各子集统计数据：**
|
||
|
||
| 子集 | 样本数 | 提示词平均长度 | 提示词最小长度 | 提示词最大长度 |
|
||
|--------|---------|-------------|------------|------------|
|
||
| `arxiv/december` | 17 | 720.88 | 256 | 1392 |
|
||
| `arxiv/february` | 32 | 573.78 | 269 | 1147 |
|
||
| `arxiv/january` | 23 | 711.17 | 325 | 1270 |
|
||
| `arxiv/march` | 31 | 554.32 | 224 | 1213 |
|
||
|
||
## 样例示例
|
||
|
||
**子集**: `arxiv/december`
|
||
|
||
```json
|
||
{
|
||
"input": [
|
||
{
|
||
"id": "c7cbf85d",
|
||
"content": "Problem:\nLet $k$ be a field, let $V$ be a $k$-vector space of dimension $d$, and let $G\\subseteq GL(V)$ be a finite group. Set $r:=\\dim_k (V^*)^G$ and assume $r\\ge 1$. Let $R:=k[V]^G$ be the invariant ring, and write its Hilbert quasi-polynom ... [TRUNCATED 71 chars] ... {d-2}+\\cdots+a_1(n)n+a_0(n),\n\\]\nwhere each $a_i(n)$ is a periodic function of $n$. Compute the sum of the indices $i\\in\\{0,1,\\dots,d-1\\}$ for which $a_i(n)$ is constant.\n\nPlease reason step by step, and put your final answer within \\boxed{}.\n"
|
||
}
|
||
],
|
||
"target": "\\frac{r(2d-r-1)}{2}",
|
||
"id": 0,
|
||
"group_id": 0,
|
||
"subset_key": "arxiv/december",
|
||
"metadata": {
|
||
"problem_idx": 1,
|
||
"problem_type": [
|
||
""
|
||
],
|
||
"source": 2512.00811
|
||
}
|
||
}
|
||
```
|
||
|
||
## 提示模板
|
||
|
||
**提示模板：**
|
||
```text
|
||
Problem:
|
||
{question}
|
||
|
||
Please reason step by step, and put your final answer within \boxed{{}}.
|
||
|
||
```
|
||
|
||
## 使用方法
|
||
|
||
### 使用 CLI
|
||
|
||
```bash
|
||
evalscope eval \
|
||
--model YOUR_MODEL \
|
||
--api-url OPENAI_API_COMPAT_URL \
|
||
--api-key EMPTY_TOKEN \
|
||
--datasets arxivmath \
|
||
--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=['arxivmath'],
|
||
dataset_args={
|
||
'arxivmath': {
|
||
# subset_list: ['arxiv/december', 'arxiv/february', 'arxiv/january'] # 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)
|
||
``` |