127 lines
3.8 KiB
Markdown
127 lines
3.8 KiB
Markdown
# IMO-AnswerBench
|
||
|
||
## 概述
|
||
|
||
IMO-AnswerBench 是一个包含 400 道高难度问题的基准测试集，题目均选自国际数学奥林匹克（IMO）备选题（Shortlists）。该基准涵盖四大数学领域，旨在评估语言模型在奥林匹克级别上的高级数学推理能力。
|
||
|
||
## 任务描述
|
||
|
||
- **任务类型**：奥林匹克数学问题求解
|
||
- **输入**：IMO 备选题中的数学问题
|
||
- **输出**：包含逐步推导过程及最终答案的完整解答
|
||
- **难度**：国际奥林匹克级别
|
||
|
||
## 主要特点
|
||
|
||
- 包含 400 道来自 IMO 备选题（2005–2024 年）的问题
|
||
- 覆盖四大领域：代数（Algebra）、组合数学（Combinatorics）、几何（Geometry）、数论（Number Theory）
|
||
- 子类别包括：运算（Operation）、不等式（Inequality）、数列（Sequence）、多项式（Polynomial）、函数方程（Functional Equation）等
|
||
- 答案形式多样，从简单整数到复杂的 LaTeX 表达式（如区间、集合、分数等）
|
||
- 代表当前数学问题求解基准中最高难度水平
|
||
|
||
## 评测说明
|
||
|
||
- 默认配置采用 **0-shot** 评测方式
|
||
- 答案需用 `\boxed{}` 包裹，以便正确提取
|
||
- 对复杂答案采用基于 LLM-as-judge 的数值等价性检查
|
||
- 结果可按类别（代数、组合、几何、数论）细分统计
|
||
- 许多答案涉及符号表达式，需进行数学等价性判断
|
||
|
||
## 属性
|
||
|
||
| 属性 | 值 |
|
||
|----------|-------|
|
||
| **基准测试名称** | `imo_answerbench` |
|
||
| **数据集ID** | [evalscope/imo-answerbench](https://modelscope.cn/datasets/evalscope/imo-answerbench/summary) |
|
||
| **论文** | N/A |
|
||
| **标签** | `Math`, `Reasoning` |
|
||
| **指标** | `acc` |
|
||
| **默认示例数** | 0-shot |
|
||
| **评测划分** | `train` |
|
||
|
||
## 数据统计
|
||
|
||
| 指标 | 值 |
|
||
|--------|-------|
|
||
| 总样本数 | 400 |
|
||
| 提示词长度（平均） | 423.02 字符 |
|
||
| 提示词长度（最小/最大） | 145 / 1343 字符 |
|
||
|
||
**各子集统计信息：**
|
||
|
||
| 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 |
|
||
|--------|---------|-------------|------------|------------|
|
||
| `Algebra` | 100 | 345.06 | 183 | 984 |
|
||
| `Combinatorics` | 100 | 641.53 | 257 | 1343 |
|
||
| `Geometry` | 100 | 375.44 | 196 | 703 |
|
||
| `Number theory` | 100 | 330.07 | 145 | 769 |
|
||
|
||
## 样例示例
|
||
|
||
**子集**: `Algebra`
|
||
|
||
```json
|
||
{
|
||
"input": [
|
||
{
|
||
"id": "afe74111",
|
||
"content": "Problem:\nFor a given positive integer $N$, Henry writes the quotient of $ab$ divided by $N+1$ on the board for each integer pair $(a,b)$ where $1\\le a,b\\le N$. Find all $N$ such that the sum of the $N^2$ numbers Henry wrote on the board is $\\frac{N^3-N^2+2}{4}$.\n\nPlease reason step by step, and put your final answer within \\boxed{}.\n"
|
||
}
|
||
],
|
||
"target": "3",
|
||
"id": 0,
|
||
"group_id": 0,
|
||
"subset_key": "Algebra",
|
||
"metadata": {
|
||
"problem_id": "imo-bench-algebra-001",
|
||
"subcategory": "Operation",
|
||
"source": "IMO Shortlist 2021"
|
||
}
|
||
}
|
||
```
|
||
|
||
## 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 imo_answerbench \
|
||
--limit 10 # 正式评测时请删除此行
|
||
```
|
||
|
||
### 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=['imo_answerbench'],
|
||
dataset_args={
|
||
'imo_answerbench': {
|
||
# subset_list: ['Algebra', 'Combinatorics', 'Geometry'] # 可选，用于评测特定子集
|
||
}
|
||
},
|
||
limit=10, # 正式评测时请删除此行
|
||
)
|
||
|
||
run_task(task_cfg=task_cfg)
|
||
``` |