sora 13274243a0 Bump vendored EvalScope and add K3-ready DPV4 configs.

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>

2026-09-02 07:30:48 +00:00

4.5 KiB

Raw Blame History

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
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

{
  "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：

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

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

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)

4.5 KiB Raw Blame History Unescape Escape