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>
115 lines
3.1 KiB
Markdown
115 lines
3.1 KiB
Markdown
# OfficeQA
|
||
|
||
|
||
## 概述
|
||
|
||
OfficeQA 是由 Databricks 构建的一个基于真实文档的推理基准测试，用于评估模型/智能体在 1939–2025 年美国财政部公告（U.S. Treasury Bulletin）文档上执行端到端 grounded reasoning 任务的性能。
|
||
|
||
## 任务描述
|
||
|
||
- **任务类型**：基于智能体的文档问答（通过 grep/search 在语料库中检索）
|
||
- **输入**：一个问题 + 通过 bash 工具访问已解析的财政部公告文本文件
|
||
- **输出**：精确答案（数值、文本或结构化数据）
|
||
- **评估模式**：智能体使用 bash 工具（如 grep、cat 等）在语料库上进行检索
|
||
|
||
## 主要特性
|
||
|
||
- 包含两个子集：`officeqa_pro`（133 个问题，难度高，默认使用）和 `officeqa_full`（246 个问题，包含简单与困难问题）
|
||
- 语料库：约 900 个已解析的财政部公告文本文件（总计约 460MB）
|
||
- 智能体使用 bash 工具（grep、cat、head 等）搜索语料库
|
||
- 评分采用模糊数值匹配，支持可配置容差（默认为 1%）
|
||
|
||
## 评估说明
|
||
|
||
- 智能体可访问语料库目录中的已解析 .txt 文件
|
||
- 每个问题的 `source_files` 字段指明了包含答案的文档
|
||
- 使用从官方 reward.py 改编的**基于规则的评分机制**
|
||
- 数值答案允许 1% 的相对误差容差
|
||
- 文本答案采用不区分大小写的子串匹配
|
||
|
||
## 属性
|
||
|
||
| 属性 | 值 |
|
||
|----------|-------|
|
||
| **基准测试名称** | `officeqa` |
|
||
| **数据集ID** | [evalscope/officeqa](https://modelscope.cn/datasets/evalscope/officeqa/summary) |
|
||
| **论文** | N/A |
|
||
| **标签** | `Agent`, `Knowledge`, `QA` |
|
||
| **指标** | `accuracy` |
|
||
| **默认示例数** | 0-shot |
|
||
| **评估划分** | `train` |
|
||
|
||
|
||
## 数据统计
|
||
|
||
| 指标 | 值 |
|
||
|--------|-------|
|
||
| 总样本数 | 133 |
|
||
| 提示词长度（平均） | 443.06 字符 |
|
||
| 提示词长度（最小/最大） | 165 / 1186 字符 |
|
||
|
||
## 样例示例
|
||
|
||
**子集**: `default`
|
||
|
||
```json
|
||
{
|
||
"input": [
|
||
{
|
||
"id": "a6357de6",
|
||
"content": "What were the total expenditures (in millions of nominal dollars) for U.S national defense in the calendar year of 1940?\nPlease provide a precise and concise answer."
|
||
}
|
||
],
|
||
"target": "2,602",
|
||
"id": 0,
|
||
"group_id": 0,
|
||
"metadata": {
|
||
"uid": "UID0001",
|
||
"source_files": "treasury_bulletin_1941_01.txt",
|
||
"difficulty": "hard"
|
||
}
|
||
}
|
||
```
|
||
|
||
## 提示模板
|
||
|
||
**提示模板:**
|
||
```text
|
||
{question}
|
||
```
|
||
|
||
## 使用方法
|
||
|
||
### 使用 CLI
|
||
|
||
```bash
|
||
evalscope eval \
|
||
--model YOUR_MODEL \
|
||
--api-url OPENAI_API_COMPAT_URL \
|
||
--api-key EMPTY_TOKEN \
|
||
--datasets officeqa \
|
||
--agent-config '{"mode":"native","strategy":"function_calling","max_steps":15}' \
|
||
--limit 10 # 正式评估时请删除此行
|
||
```
|
||
|
||
### 使用 Python
|
||
|
||
```python
|
||
from evalscope import TaskConfig, run_task
|
||
from evalscope.api.agent import NativeAgentConfig
|
||
|
||
task_cfg = TaskConfig(
|
||
model='YOUR_MODEL',
|
||
api_url='OPENAI_API_COMPAT_URL',
|
||
api_key='EMPTY_TOKEN',
|
||
datasets=['officeqa'],
|
||
agent_config=NativeAgentConfig(
|
||
strategy='function_calling',
|
||
max_steps=15,
|
||
),
|
||
limit=10, # 正式评估时请删除此行
|
||
)
|
||
|
||
run_task(task_cfg=task_cfg)
|
||
```
|