evalstone/evalscope/docs/zh/benchmarks/math_500.md

MATH-500

概述

MATH-500 是从 MATH 基准测试中精心挑选出的 500 道题目组成的子集，旨在评估语言模型的数学推理能力。该数据集涵盖五个难度等级，涉及代数、几何、数论、微积分等多个数学主题。

任务描述

• 任务类型：数学问题求解
• 输入：数学问题描述
• 输出：包含逐步推导过程和最终数值答案的解答
• 难度等级：Level 1（最简单）到 Level 5（最难）

主要特点

• 从完整的 MATH 数据集中精选出 500 道题目
• 提供五个难度等级，支持细粒度评估
• 题目覆盖代数、几何、数论、概率等多个领域
• 每道题均附带参考解答
• 在保证评估全面性的同时兼顾效率

评估说明

• 默认配置采用 0-shot 评估方式
• 答案需使用 \boxed{} 格式包裹，以便正确提取
• 使用数值等价性检查进行答案比对
• 可按难度等级分别统计结果
• 因规模适中，常用于数学推理能力的基准测试

属性

属性	值
基准测试名称	math_500
数据集ID	AI-ModelScope/MATH-500
论文	N/A
标签	Math, Reasoning
指标	acc
默认示例数量	0-shot
评估划分	test

数据统计

指标	值
总样本数	500
提示词长度（平均）	266.89 字符
提示词长度（最小/最大）	91 / 1804 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
Level 1	43	193.19	100	571
Level 2	90	218.82	91	802
Level 3	105	236	93	688
Level 4	128	277.1	93	1771
Level 5	134	337.28	118	1804

样例示例

子集: Level 1

{
  "input": [
    {
      "id": "b5d90091",
      "content": "Suppose $\\sin D = 0.7$ in the diagram below. What is $DE$? [asy]\npair D,E,F;\nF = (0,0);\nD = (sqrt(51),7);\nE = (0,7);\ndraw(D--E--F--D);\ndraw(rightanglemark(D,E,F,15));\nlabel(\"$D$\",D,NE);\nlabel(\"$E$\",E,NW);\nlabel(\"$F$\",F,SW);\nlabel(\"$7$\",(E+F)/2,W);\n[/asy]\nPlease reason step by step, and put your final answer within \\boxed{}."
    }
  ],
  "target": "\\sqrt{51}",
  "id": 0,
  "group_id": 0,
  "subset_key": "Level 1",
  "metadata": {
    "question_id": "test/precalculus/1303.json",
    "solution": "The triangle is a right triangle, so $\\sin D = \\frac{EF}{DF}$. Then we have that $\\sin D = 0.7 = \\frac{7}{DF}$, so $DF = 10$.\n\nUsing the Pythagorean Theorem, we find that the length of $DE$ is $\\sqrt{DF^2 - EF^2},$ or $\\sqrt{100 - 49} = \\boxed{\\sqrt{51}}$."
  }
}

提示模板

提示模板：

{question}
Please reason step by step, and put your final answer within \boxed{{}}.

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 math_500 \
    --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=['math_500'],
    dataset_args={
        'math_500': {
            # subset_list: ['Level 1', 'Level 2', 'Level 3']  # 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)