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

ArXiv-Math

概述

ArXiv-Math 是一个包含 103 道研究级数学问题的基准测试，这些问题均摘自 arXiv 预印本论文。这些问题代表了前沿数学研究，用于评估语言模型在知识前沿对高级数学概念进行推理的能力。

任务描述

• 任务类型：研究级数学问题求解
• 输入：来自 arXiv 论文的高级数学问题
• 输出：分步解答及最终答案
• 难度：研究级 / 研究生水平

主要特点

• 103 道问题来源于 arXiv 预印本（2024 年 12 月至 2025 年 3 月）
• 包含四个按月划分的子集：december、february、january、march
• 覆盖多个数学领域：代数、组合数学、分析、几何、数论
• 问题需要深厚的数学推理能力和领域专业知识
• 代表当前数学研究难度的最前沿

评估说明

• 默认配置使用 0-shot 评估
• 答案应使用 \boxed{} 格式包裹，以便正确提取
• 采用数值准确率指标，并结合符号等价性检查
• 结果可按每月竞赛子集分别统计

属性

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

数据统计

指标	值
总样本数	103
提示词长度（平均）	622.88 字符
提示词长度（最小/最大）	224 / 1392 字符

各子集统计数据：

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
arxiv/december	17	720.88	256	1392
arxiv/february	32	573.78	269	1147
arxiv/january	23	711.17	325	1270
arxiv/march	31	554.32	224	1213

样例示例

子集: arxiv/december

{
  "input": [
    {
      "id": "c7cbf85d",
      "content": "Problem:\nLet $k$ be a field, let $V$ be a $k$-vector space of dimension $d$, and let $G\\subseteq GL(V)$ be a finite group. Set $r:=\\dim_k (V^*)^G$ and assume $r\\ge 1$. Let $R:=k[V]^G$ be the invariant ring, and write its Hilbert quasi-polynom ... [TRUNCATED 71 chars] ... {d-2}+\\cdots+a_1(n)n+a_0(n),\n\\]\nwhere each $a_i(n)$ is a periodic function of $n$. Compute the sum of the indices $i\\in\\{0,1,\\dots,d-1\\}$ for which $a_i(n)$ is constant.\n\nPlease reason step by step, and put your final answer within \\boxed{}.\n"
    }
  ],
  "target": "\\frac{r(2d-r-1)}{2}",
  "id": 0,
  "group_id": 0,
  "subset_key": "arxiv/december",
  "metadata": {
    "problem_idx": 1,
    "problem_type": [
      ""
    ],
    "source": 2512.00811
  }
}

提示模板

提示模板：

Problem:
{question}

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

使用方法

使用 CLI

evalscope eval \
    --model YOUR_MODEL \
    --api-url OPENAI_API_COMPAT_URL \
    --api-key EMPTY_TOKEN \
    --datasets arxivmath \
    --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=['arxivmath'],
    dataset_args={
        'arxivmath': {
            # subset_list: ['arxiv/december', 'arxiv/february', 'arxiv/january']  # 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)