IMO-AnswerBench

概述

IMO-AnswerBench 是一个包含 400 道高难度问题的基准测试集，题目均选自国际数学奥林匹克（IMO）备选题（Shortlists）。该基准涵盖四大数学领域，旨在评估语言模型在奥林匹克级别上的高级数学推理能力。

任务描述

任务类型：奥林匹克数学问题求解
输入：IMO 备选题中的数学问题
输出：包含逐步推导过程及最终答案的完整解答
难度：国际奥林匹克级别

主要特点

包含 400 道来自 IMO 备选题（2005–2024 年）的问题
覆盖四大领域：代数（Algebra）、组合数学（Combinatorics）、几何（Geometry）、数论（Number Theory）
子类别包括：运算（Operation）、不等式（Inequality）、数列（Sequence）、多项式（Polynomial）、函数方程（Functional Equation）等
答案形式多样，从简单整数到复杂的 LaTeX 表达式（如区间、集合、分数等）
代表当前数学问题求解基准中最高难度水平

评测说明

默认配置采用 0-shot 评测方式
答案需用 \boxed{} 包裹，以便正确提取
对复杂答案采用基于 LLM-as-judge 的数值等价性检查
结果可按类别（代数、组合、几何、数论）细分统计
许多答案涉及符号表达式，需进行数学等价性判断

属性

属性	值
基准测试名称	`imo_answerbench`
数据集ID	evalscope/imo-answerbench
论文	N/A
标签	`Math`, `Reasoning`
指标	`acc`
默认示例数	0-shot
评测划分	`train`

数据统计

指标	值
总样本数	400
提示词长度（平均）	423.02 字符
提示词长度（最小/最大）	145 / 1343 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
`Algebra`	100	345.06	183	984
`Combinatorics`	100	641.53	257	1343
`Geometry`	100	375.44	196	703
`Number theory`	100	330.07	145	769

样例示例

子集: Algebra

{
  "input": [
    {
      "id": "afe74111",
      "content": "Problem:\nFor a given positive integer $N$, Henry writes the quotient of $ab$ divided by $N+1$ on the board for each integer pair $(a,b)$ where $1\\le a,b\\le N$. Find all $N$ such that the sum of the $N^2$ numbers Henry wrote on the board is $\\frac{N^3-N^2+2}{4}$.\n\nPlease reason step by step, and put your final answer within \\boxed{}.\n"
    }
  ],
  "target": "3",
  "id": 0,
  "group_id": 0,
  "subset_key": "Algebra",
  "metadata": {
    "problem_id": "imo-bench-algebra-001",
    "subcategory": "Operation",
    "source": "IMO Shortlist 2021"
  }
}

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 imo_answerbench \
    --limit 10  # 正式评测时请删除此行

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=['imo_answerbench'],
    dataset_args={
        'imo_answerbench': {
            # subset_list: ['Algebra', 'Combinatorics', 'Geometry']  # 可选，用于评测特定子集
        }
    },
    limit=10,  # 正式评测时请删除此行
)

run_task(task_cfg=task_cfg)

3.8 KiB Raw Blame History Unescape Escape

IMO-AnswerBench

概述

任务描述

主要特点

评测说明

属性

数据统计

样例示例

提示模板

使用方法

使用 CLI

使用 Python

3.8 KiB

Raw Blame History