13274243a0
Keep K3 suite selection and report-schema scoring in bash, merge K3/vision dataset_args into dpv4 yamls, and pin EvalScope at 735d920ee911 with local patches. Co-authored-by: Cursor <cursoragent@cursor.com>
138 lines
4.5 KiB
Markdown
138 lines
4.5 KiB
Markdown
# MILU
|
||
|
||
|
||
## 概述
|
||
|
||
MILU（Multi-task Indic Language Understanding Benchmark，多任务印度语言理解基准）是一个全面的评估数据集，用于衡量大语言模型（LLM）在11种印度语言上的表现。该数据集涵盖8个领域和41个主题，结合了翻译而来的通用知识问题以及具有印度文化特色的本地内容。
|
||
|
||
## 任务描述
|
||
|
||
- **任务类型**：多语言多项选择题问答（Multilingual Multiple-Choice Question Answering）
|
||
- **输入**：用11种语言之一编写的包含四个选项的问题
|
||
- **输出**：单个正确答案的字母（A/B/C/D）
|
||
- **语言**：英语、孟加拉语、古吉拉特语、印地语、卡纳达语、马拉雅拉姆语、马拉地语、奥里亚语、旁遮普语、泰米尔语、泰卢固语
|
||
|
||
## 主要特点
|
||
|
||
- 覆盖8个领域 / 41个主题，包括印度特有的文化、历史和时事内容
|
||
- 使用母语编写的问题，而非机器翻译版的MMLU
|
||
- 每种语言作为独立的数据集配置，可分别加载
|
||
|
||
## 评估说明
|
||
|
||
- 默认配置使用 **0-shot** 评估（测试集 `test`）
|
||
- 可通过 `subset_list` 参数指定评估特定语言（例如 `['Hindi', 'Tamil']`），或使用 `limit` 限制样本数量 —— 评估全部11种语言的完整测试集将是一次大规模运行
|
||
- 设置 `few_shot_num` > 0 可启用少样本提示（few-shot prompting），示例从 `validation` 验证集中抽取
|
||
- 默认从 ModelScope 加载（evalscope 的默认 `dataset_hub`），该数据集在此平台公开且无需访问令牌。若显式将 `dataset_hub` 设为 `huggingface`，请注意 `ai4bharat/MILU` 在 Hugging Face 上是受限制数据集 —— 需先在 huggingface.co 上接受数据集条款，并设置 `HF_TOKEN`（或运行 `huggingface-cli login`）
|
||
|
||
## 属性
|
||
|
||
| 属性 | 值 |
|
||
|----------|-------|
|
||
| **基准测试名称** | `milu` |
|
||
| **数据集ID** | [ai4bharat/MILU](https://modelscope.cn/datasets/ai4bharat/MILU/summary) |
|
||
| **论文** | 无 |
|
||
| **标签** | `Knowledge`, `MCQ`, `MultiLingual` |
|
||
| **指标** | `accuracy` |
|
||
| **默认样本数** | 0-shot |
|
||
| **评估集** | `test` |
|
||
| **训练集** | `validation` |
|
||
|
||
|
||
## 数据统计
|
||
|
||
| 指标 | 值 |
|
||
|--------|-------|
|
||
| 总样本数 | 79,608 |
|
||
| 提示词长度（平均） | 377.16 字符 |
|
||
| 提示词长度（最小/最大） | 223 / 2110 字符 |
|
||
|
||
**各子集统计信息：**
|
||
|
||
| 子集 | 样本数 | 提示平均长度 | 提示最小长度 | 提示最大长度 |
|
||
|--------|---------|-------------|------------|------------|
|
||
| `English` | 13,535 | 397.01 | 227 | 1930 |
|
||
| `Bengali` | 6,637 | 359.93 | 232 | 1828 |
|
||
| `Gujarati` | 4,826 | 359.36 | 230 | 1785 |
|
||
| `Hindi` | 14,831 | 367.43 | 229 | 1907 |
|
||
| `Kannada` | 6,234 | 364.45 | 229 | 1753 |
|
||
| `Malayalam` | 4,321 | 388.2 | 239 | 2110 |
|
||
| `Marathi` | 6,924 | 394.85 | 223 | 1888 |
|
||
| `Odia` | 4,525 | 366.63 | 238 | 1825 |
|
||
| `Punjabi` | 4,099 | 364.93 | 234 | 1874 |
|
||
| `Tamil` | 6,372 | 382.22 | 230 | 1934 |
|
||
| `Telugu` | 7,304 | 384.05 | 233 | 1806 |
|
||
|
||
## 样例示例
|
||
|
||
**子集**: `English`
|
||
|
||
```json
|
||
{
|
||
"input": [
|
||
{
|
||
"id": "84726982",
|
||
"content": "Answer the following 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\nBakelite is what type of polymer?\n\nA) Thermosetting polymer\nB) Thermoplastic polymer\nC) Fibre\nD) Elastomer"
|
||
}
|
||
],
|
||
"choices": [
|
||
"Thermosetting polymer",
|
||
"Thermoplastic polymer",
|
||
"Fibre",
|
||
"Elastomer"
|
||
],
|
||
"target": "A",
|
||
"id": 0,
|
||
"group_id": 0,
|
||
"metadata": {
|
||
"language": "English"
|
||
}
|
||
}
|
||
```
|
||
|
||
## 提示模板
|
||
|
||
**提示模板：**
|
||
```text
|
||
Answer the following 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
|
||
|
||
```bash
|
||
evalscope eval \
|
||
--model YOUR_MODEL \
|
||
--api-url OPENAI_API_COMPAT_URL \
|
||
--api-key EMPTY_TOKEN \
|
||
--datasets milu \
|
||
--limit 10 # 正式评估时请删除此行
|
||
```
|
||
|
||
### 使用 Python
|
||
|
||
```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=['milu'],
|
||
dataset_args={
|
||
'milu': {
|
||
# subset_list: ['English', 'Bengali', 'Gujarati'] # 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)
|
||
```
|