ArxivRollBench

概述

ArxivRollBench 是一个基于近期 arXiv 论文构建的滚动基准测试。它通过三种任务形式（排序、完形填空和下一段预测）评估大语言模型是否能够对最新的科学文本进行推理。

任务描述

任务类型：多项选择科学文本推理
输入：近期 arXiv 文本片段，附带四个选项
输出：单个正确答案字母（A、B、C 或 D）
领域：计算机科学、定量金融、数学、物理学、统计学、定量生物学、经济学以及电气工程/系统科学
版本：2024b、2025a 和 2026a 的滚动快照

主要特点

时间感知的基准快照可减少因数据污染导致的性能高估
覆盖多个 arXiv 领域及不同科学写作风格
在 SCP 框架下包含排序（sequencing）、完形填空（cloze）和预测（prediction）三种格式
紧凑型 -50 子集适用于成本可控的 API 评估
完整子集可通过 arxivrollbench_full 获取

评估说明

默认配置使用 0-shot 评估
默认的 arxivrollbench 基准使用紧凑型 -50 数据集
如需完整公开子集，请使用 arxivrollbench_full
每个子集均从 liangzid 命名空间下的公开 ModelScope 镜像加载
答案统一归一化为 A-D，并以准确率（accuracy）进行评估

属性

属性	值
基准测试名称	`arxivrollbench`
数据集ID	liangzid/arxivrollbench
论文	Paper
标签	`Knowledge`, `MCQ`, `Reasoning`
指标	`acc`
默认示例数	0-shot
评估分割	`train`

数据统计

指标	值
总样本数	3,254
提示词长度（平均）	1514.19 字符
提示词长度（最小/最大）	307 / 14112 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
`2024b_cs_s`	42	949.6	590	1805
`2024b_cs_c`	31	307	307	307
`2024b_cs_p`	50	2617.32	922	7512
`2024b_q_fin_s`	49	1042.31	586	2329
`2024b_q_fin_c`	44	307	307	307
`2024b_q_fin_p`	50	3430.52	872	9106
`2024b_math_s`	34	829.85	593	2115
`2024b_math_c`	15	307	307	307
`2024b_math_p`	51	1957.24	869	6260
`2024b_physics_s`	45	957.11	576	4402
`2024b_physics_c`	28	307	307	307
`2024b_physics_p`	51	2948.1	885	13643
`2024b_stat_s`	45	936.4	582	1678
`2024b_stat_c`	33	307	307	307
`2024b_stat_p`	50	2946.44	861	7026
`2024b_q_bio_s`	43	975	583	2555
`2024b_q_bio_c`	34	307	307	307
`2024b_q_bio_p`	49	3354.53	883	8867
`2024b_econ_s`	48	1021.58	586	2070
`2024b_econ_c`	43	307	307	307
`2024b_econ_p`	50	3257.76	846	8967
`2024b_eess_s`	48	1034.56	574	2922
`2024b_eess_c`	42	307	307	307
`2024b_eess_p`	51	2612.69	882	8609
`2025a_cs_s`	50	921.2	592	1632
`2025a_cs_c`	44	307	307	307
`2025a_cs_p`	51	2895.02	942	6540
`2025a_q_fin_s`	50	931.08	589	2202
`2025a_q_fin_c`	43	307	307	307
`2025a_q_fin_p`	51	2837.86	793	7577
`2025a_math_s`	42	852.52	580	1595
`2025a_math_c`	28	307	307	307
`2025a_math_p`	51	2449.49	889	6893
`2025a_physics_s`	44	939.32	587	1874
`2025a_physics_c`	34	307	307	307
`2025a_physics_p`	49	3568.29	1001	9325
`2025a_stat_s`	48	932.81	600	2063
`2025a_stat_c`	42	307	307	307
`2025a_stat_p`	50	3115.36	822	7349
`2025a_q_bio_s`	49	1074.12	591	1810
`2025a_q_bio_c`	49	307	307	307
`2025a_q_bio_p`	50	3639.26	1038	8890
`2025a_econ_s`	48	982.19	591	2322
`2025a_econ_c`	45	307	307	307
`2025a_econ_p`	51	2860.9	884	6494
`2025a_eess_s`	46	1017.35	588	1807
`2025a_eess_c`	42	307	307	307
`2025a_eess_p`	50	3541.1	943	14112
`2026a_cs_s`	51	944.12	584	1795
`2026a_cs_c`	38	307	307	307
`2026a_cs_p`	51	2629.06	919	5234
`2026a_q_fin_s`	48	1025.44	608	2320
`2026a_q_fin_c`	45	307	307	307
`2026a_q_fin_p`	51	3094.78	872	6644
`2026a_math_s`	44	844.05	575	1381
`2026a_math_c`	30	307	307	307
`2026a_math_p`	51	2160.27	860	12385
`2026a_physics_s`	47	1082.04	599	2522
`2026a_physics_c`	41	307	307	307
`2026a_physics_p`	50	3420.58	894	8788
`2026a_stat_s`	49	1013.47	575	2482
`2026a_stat_c`	46	307	307	307
`2026a_stat_p`	51	2564.47	955	6387
`2026a_q_bio_s`	47	1019.7	584	1707
`2026a_q_bio_c`	40	307	307	307
`2026a_q_bio_p`	48	3030.71	954	6468
`2026a_econ_s`	48	989.67	580	2320
`2026a_econ_c`	47	307	307	307
`2026a_econ_p`	51	2920.76	885	7061
`2026a_eess_s`	51	988.14	579	2231
`2026a_eess_c`	45	307	307	307
`2026a_eess_p`	51	2812.61	922	5589

样例示例

子集: 2024b_cs_s

{
  "input": [
    {
      "id": "7b220fd6",
      "content": "Answer the following ArxivRollBench multiple choice question. The entire content of your response should be of the following format: 'ANSWER: [LETTER]' (without quotes) where [LETTER] is one of A,B,C,D.\n\nSelect the option that correctly compl ... [TRUNCATED 381 chars] ... m a diagonal matrix into the identity, allows us to write the input matrix as a product of transvections. **C**: Note that row and column operations are effected by left- and right multiplications by transvections\n\nA) BAC\nB) ABC\nC) ACB\nD) BCA"
    }
  ],
  "choices": [
    "BAC",
    "ABC",
    "ACB",
    "BCA"
  ],
  "target": "C",
  "id": 0,
  "group_id": 0,
  "metadata": {
    "original_label": "Selection 3",
    "task_type": "s/c"
  }
}

提示模板

提示模板：

Answer the following ArxivRollBench multiple choice question. The entire content of your response should be of the following format: 'ANSWER: [LETTER]' (without quotes) where [LETTER] is one of {letters}.

{question}

{choices}

使用方法

使用 CLI

evalscope eval \
    --model YOUR_MODEL \
    --api-url OPENAI_API_COMPAT_URL \
    --api-key EMPTY_TOKEN \
    --datasets arxivrollbench \
    --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=['arxivrollbench'],
    dataset_args={
        'arxivrollbench': {
            # subset_list: ['2024b_cs_s', '2024b_cs_c', '2024b_cs_p']  # 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)

7.1 KiB Raw Blame History Unescape Escape

ArxivRollBench

概述

任务描述

主要特点

评估说明

属性

数据统计

样例示例

提示模板

使用方法

使用 CLI

使用 Python

7.1 KiB

Raw Blame History