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

PolyMath

概述

PolyMath 是一个多语言数学推理基准测试，涵盖 18 种语言和 4 个难度级别，共包含 9,000 个高质量问题样本。该基准确保了难度的全面性、语言的多样性以及翻译的高质量，适用于具有区分度的多语言评估。

任务描述

• 任务类型：多语言数学推理
• 输入：18 种语言之一的数学问题
• 输出：以 \boxed{} 格式表示的数值答案
• 领域：涵盖多个难度级别和语言的数学问题

主要特性

• 支持 18 种语言：en、zh、ar、bn、de、es、fr、id、it、ja、ko、ms、pt、ru、sw、te、th、vi
• 4 个难度级别：low（低）、medium（中）、high（高）、top（顶级）
• 共计 9,000 个高质量问题
• 每个问题均配有语言特定的指令
• 高质量人工翻译，确保准确性

评估说明

• 默认评估使用 test 数据划分
• 主要指标：Accuracy（准确率），采用数值比较方式
• 附加指标：DW-ACC（难度加权准确率）
  • 权重分配：low=1，medium=2，high=4，top=8
  • 在不同难度级别间提供平衡的评分
• 结果按语言分别报告，并提供总体结果

属性

属性	值
基准测试名称	poly_math
数据集 ID	evalscope/PolyMath
论文	N/A
标签	Math, MultiLingual, Reasoning
指标	acc
默认示例数	0-shot
评估划分	test

数据统计

指标	值
总样本数	9,000
提示词长度（平均）	342.15 字符
提示词长度（最小/最大）	52 / 1536 字符

各子集统计数据：

子集	样本数	提示平均长度	提示最小长度	提示最大长度
en-low	125	292	142	600
zh-low	125	111.96	63	206
ar-low	125	259.15	138	536
bn-low	125	304.42	160	650
de-low	125	333.42	165	698
es-low	125	315.7	159	643
fr-low	125	331.06	178	634
id-low	125	332.51	175	691
it-low	125	315.19	164	661
ja-low	125	145.06	82	268
ko-low	125	163.17	89	342
ms-low	125	330.82	165	603
pt-low	125	306.37	160	655
ru-low	125	312.67	161	628
sw-low	125	324.54	169	638
te-low	125	311.38	161	575
th-low	125	256.28	124	519
vi-low	125	302.78	159	583
en-medium	125	304.88	107	823
zh-medium	125	182.79	52	503
ar-medium	125	282.52	98	794
bn-medium	125	323.46	110	761
de-medium	125	338.46	113	941
es-medium	125	322.59	120	785
fr-medium	125	330.45	116	766
id-medium	125	328.14	114	852
it-medium	125	315.01	110	772
ja-medium	125	210.79	68	548
ko-medium	125	219.33	64	547
ms-medium	125	314.84	95	829
pt-medium	125	314	111	767
ru-medium	125	334.75	120	828
sw-medium	125	335	110	899
te-medium	125	316.54	102	867
th-medium	125	276.01	84	658
vi-medium	125	307.78	108	820
en-high	125	391.3	120	1434
zh-high	125	212.87	70	1155
ar-high	125	356.49	115	1313
bn-high	125	414.23	132	1464
de-high	125	440.82	138	1483
es-high	125	422.2	134	1469
fr-high	125	428.81	133	1488
id-high	125	437.18	128	1536
it-high	125	408.41	128	1445
ja-high	125	246.59	84	1206
ko-high	125	261.16	98	1195
ms-high	125	412.78	55	1454
pt-high	125	408.39	127	1414
ru-high	125	426.44	144	1476
sw-high	125	438.1	125	1476
te-high	125	405.18	126	1430
th-high	125	351.18	108	1345
vi-high	125	383.09	124	1442
en-top	125	420.59	141	1346
zh-top	125	220.16	73	876
ar-top	125	378.14	136	1238
bn-top	125	443.98	160	1392
de-top	125	470.34	169	1432
es-top	125	456.15	150	1432
fr-top	125	464.7	153	1457
id-top	125	469.23	151	1478
it-top	125	445.74	146	1400
ja-top	125	259.17	85	925
ko-top	125	277.8	89	968
ms-top	125	458.26	144	1521
pt-top	125	444.11	144	1407
ru-top	125	466.7	159	1440
sw-top	125	469.38	147	1452
te-top	125	431.14	147	1323
th-top	125	384.58	137	1154
vi-top	125	423.55	154	1352

样例示例

子集: en-low

{
  "input": [
    {
      "id": "8ac6f5ab",
      "content": "Janet’s ducks lay 16 eggs per day. She eats three for breakfast every morning and bakes muffins for her friends every day with four. She sells the remainder at the farmers' market daily for $2 per fresh duck egg. How much in dollars does she make every day at the farmers' market?\nNote: Please put the final answer in the $\\boxed\\{\\}$."
    }
  ],
  "target": "18",
  "id": 0,
  "group_id": 0,
  "metadata": {
    "level": "low",
    "language": "en",
    "index": "0"
  }
}

提示模板

提示模板：

{question}

使用方法

使用 CLI

evalscope eval \
    --model YOUR_MODEL \
    --api-url OPENAI_API_COMPAT_URL \
    --api-key EMPTY_TOKEN \
    --datasets poly_math \
    --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=['poly_math'],
    dataset_args={
        'poly_math': {
            # subset_list: ['en-low', 'zh-low', 'ar-low']  # 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)