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

MMMLU

概述

MMMLU（Multilingual Massive Multitask Language Understanding，多语言大规模多任务语言理解）是 MMLU 基准测试的多语言扩展版本。它在 14 种语言中评估语言模型的多语言知识与推理能力，涵盖原始 MMLU 基准中的 57 个学科。

任务描述

• 任务类型：多语言多项选择题问答
• 输入：以 14 种语言之一呈现的问题，包含四个选项（A、B、C、D）
• 输出：单个正确答案字母
• 语言：阿拉伯语、孟加拉语、德语、西班牙语、法语、印地语、印尼语、意大利语、日语、韩语、葡萄牙语、斯瓦希里语、约鲁巴语、中文
• 学科：MMLU 中的 57 个学科（STEM、人文学科、社会科学、其他）

主要特点

• 完整 MMLU 基准的多语言翻译
• 覆盖主要语系的 14 种类型学上多样化的语言
• 测试跨语言知识迁移与多语言推理能力
• 与原始 MMLU 相同的学科覆盖范围（57 个学科）
• 包含低资源语言（例如斯瓦希里语、约鲁巴语）

评估说明

• 默认配置使用 0-shot 评估（仅测试集）
• 使用 subset_list 评估特定语言（例如 ['ZH_CN', 'JA_JP', 'FR_FR']）
• 结果按语言子集分组
• 支持跨语言性能比较

属性

属性	值
基准测试名称	mmmlu
数据集ID	openai-mirror/MMMLU
论文	N/A
标签	Knowledge, MCQ, MultiLingual
指标	acc
默认示例数	0-shot
评估分割	test

数据统计

指标	值
总样本数	196,588
提示词长度（平均）	624.75 字符
提示词长度（最小/最大）	136 / 5975 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
AR_XY	14,042	584.94	231	4735
BN_BD	14,042	654.99	247	4914
DE_DE	14,042	791.64	294	5657
ES_LA	14,042	753.18	271	5791
FR_FR	14,042	777.82	278	5952
HI_IN	14,042	675.02	256	5379
ID_ID	14,042	726.51	270	5539
IT_IT	14,042	761.19	277	5975
JA_JP	14,042	322.79	149	2064
KO_KR	14,042	354.35	153	2345
PT_BR	14,042	706.79	258	5635
SW_KE	14,042	699.08	259	5566
YO_NG	14,042	681.01	248	5644
ZH_CN	14,042	257.15	136	1495

样例示例

子集: AR_XY

{
  "input": [
    {
      "id": "e43faf14",
      "content": "أجب على سؤال الاختيار من متعدد التالي. يجب أن يكون السطر الأخير من إجابتك بالتنسيق التالي: 'ANSWER: [LETTER]' (بدون علامات اقتباس) حيث [LETTER] هو أحد الحروف A,B,C,D. فكّر خطوة بخطوة قبل الإجابة.\n\nأوجد درجة امتداد الحقل المحدد Q(sqrt(2)، sqrt(3)، sqrt(18)) على Q.\n\nA) 0\nB) 4\nC) 2\nD) 6"
    }
  ],
  "choices": [
    "0",
    "4",
    "2",
    "6"
  ],
  "target": "B",
  "id": 0,
  "group_id": 0,
  "metadata": {
    "subject": "abstract_algebra",
    "language": "AR_XY"
  }
}

提示模板

提示模板：

Answer the following multiple choice question. The last line of your response should be of the following format: 'ANSWER: [LETTER]' (without quotes) where [LETTER] is one of {letters}. Think step by step before answering.

{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 mmmlu \
    --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=['mmmlu'],
    dataset_args={
        'mmmlu': {
            # subset_list: ['AR_XY', 'BN_BD', 'DE_DE']  # 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)