evalstone/evalscope/docs/zh/benchmarks/hellaswag.md

HellaSwag

概述

HellaSwag 是一个用于评估常识性自然语言推理的基准测试，专门测试模型完成描述日常情境句子的能力。该数据集采用对抗性过滤（adversarial filtering）方法生成具有挑战性的干扰项，这些干扰项在语法上正确但在语义上不合理。

任务描述

• 任务类型：多项选择题句子补全
• 输入：描述某项活动或情境的上下文
• 输出：从 4 个选项（A、B、C、D）中选择最合理的后续内容
• 领域：日常活动与常识场景

主要特点

• 包含 70,000 多个问题，用于测试基于现实情境的常识推理能力
• 上下文来源于 ActivityNet 和 WikiHow
• 错误选项经过对抗性过滤处理
• 要求理解典型事件序列
• 测试物理常识与社会常识推理能力

评估说明

• 默认配置使用 0-shot 评估方式
• 在验证集（validation split）上进行评估
• 已对选项结尾进行预处理，清除格式化伪影
• 上下文由 ctx_a 和 ctx_b 字段拼接而成
• 元数据中包含活动标签，可用于分析

属性

属性	值
基准测试名称	hellaswag
数据集ID	evalscope/hellaswag
论文	N/A
标签	Commonsense, Knowledge, MCQ
指标	acc
默认示例数量	0-shot
评估划分	validation

数据统计

指标	值
总样本数	10,042
提示词长度（平均）	767.6 字符
提示词长度（最小/最大）	329 / 1655 字符

样例示例

子集: default

{
  "input": [
    {
      "id": "18df47e2",
      "content": "Answer the following multiple choice question. The entire content of your response should be of the following format: 'ANSWER: [LETTER]' (without quotes) where [LETTER] is one of A,B,C,D.\n\nA man is sitting on a roof. He\n\nA) is using wrap to wrap a pair of skis.\nB) is ripping level tiles off.\nC) is holding a rubik's cube.\nD) starts pulling up roofing on a roof."
    }
  ],
  "choices": [
    "is using wrap to wrap a pair of skis.",
    "is ripping level tiles off.",
    "is holding a rubik's cube.",
    "starts pulling up roofing on a roof."
  ],
  "target": "D",
  "id": 0,
  "group_id": 0,
  "metadata": {
    "activity_label": "Roof shingle removal"
  }
}

提示模板

提示模板：

Answer the following multiple choice question. The entire content of your response should be of the following format: 'ANSWER: [LETTER]' (without quotes) where [LETTER] is one of {letters}.

{question}

{choices}

使用方法

使用命令行（CLI）

evalscope eval \
    --model YOUR_MODEL \
    --api-url OPENAI_API_COMPAT_URL \
    --api-key EMPTY_TOKEN \
    --datasets hellaswag \
    --limit 10  # 正式评估时请删除此行

使用 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=['hellaswag'],
    limit=10,  # 正式评估时请删除此行
)

run_task(task_cfg=task_cfg)