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

5.5 KiB

Raw Blame History

BhashaBench-Multi (Ayurveda)

概述

BhashaBench-Multi（Ayurveda）是一个领域特定的多项选择题基准测试，用于评估大语言模型（LLM）在22种印度语言中对阿育吠陀医学（Ayurvedic medicine）的知识掌握情况。每个问题最初以英文编写，随后通过机器翻译（并由LLM评估翻译质量得分）转换为目标语言；本适配器使用的是翻译后的题目和选项。

任务描述

任务类型：领域特定的多项选择题问答
输入：一道用22种印度语言之一编写的阿育吠陀医学问题，包含4个选项
输出：正确答案对应的字母（A/B/C/D）
语言：阿萨姆语、孟加拉语、博多语、多格拉语、古吉拉特语、印地语、卡纳达语、克什米尔语、孔卡尼语、迈蒂利语、马拉雅拉姆语、曼尼普尔语、马拉地语、尼泊尔语、奥里亚语、旁遮普语、梵语、桑塔利语、信德语、泰米尔语、泰卢固语、乌尔都语

主要特点

每种语言约14,963道题目，覆盖22种印度语言（每个领域总计约33万题）
题目从英文机器翻译而来，并附有LLM评估的翻译质量得分
包含印度官方规定的22种Scheduled Languages，全部使用本地文字书写；不包含英文版本
提供四个独立领域的基准测试：阿育吠陀（Ayurveda）、金融（Finance）、农业（Krishi）、法律（Legal）

评估说明

默认配置采用 0-shot 评估（仅提供测试集）
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——每个领域在22种语言中每种语言约14,963题（总计约33万题），因此完整评估所有语言将是一次大规模运行
该数据集不包含英文版本

属性

属性	值
基准测试名称	`bhasha_bench_multi_ayur`
数据集ID	bharatgenai/BhashaBench-Multi
论文	N/A
标签	`Knowledge`, `MCQ`, `MultiLingual`
指标	`accuracy`
默认Shots数	0-shot
评估划分	`test`

数据统计

指标	值
总样本数	329,186
提示词长度（平均）	317.8 字符
提示词长度（最小/最大）	220 / 8370 字符

各子集统计数据：

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
`Assamese`	14,963	325.76	229	4447
`Bengali`	14,963	313.28	231	1933
`Bodo`	14,963	315.55	222	1795
`Dogri`	14,963	308.39	225	1974
`Gujarati`	14,963	313.22	227	1526
`Hindi`	14,963	313.66	230	2018
`Kannada`	14,963	316.92	230	8305
`Kashmiri`	14,963	339.03	243	2102
`Konkani`	14,963	307.78	227	1819
`Maithili`	14,963	305.52	225	2142
`Malayalam`	14,963	330.73	236	1862
`Manipuri`	14,963	332.17	234	2247
`Marathi`	14,963	312.05	229	8370
`Nepali`	14,963	312.62	229	1825
`Oriya`	14,963	312.36	226	4092
`Punjabi`	14,963	309.98	220	926
`Sanskrit`	14,963	312.86	225	1232
`Santhali`	14,963	334.48	234	2283
`Sindhi`	14,963	309.44	226	852
`Tamil`	14,963	331.24	236	1031
`Telugu`	14,963	319.9	232	911
`Urdu`	14,963	314.71	227	921

样例示例

子集: Assamese

{
  "input": [
    {
      "id": "4ac474ca",
      "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\nইমিউনজনিত বিকাৰসমূহৰ ভিতৰত আছে .....\n\nA) অতিরিক্ত সংবেদনশীলতা\nB) স্বয়ং-প্রতিরোধ ক্ষমতা জনিত ৰোগ\nC) রোগ প্রতিরোধ ক্ষমতাৰ অভাৱ\nD) এই সকলোবোৰ।"
    }
  ],
  "choices": [
    "অতিরিক্ত সংবেদনশীলতা",
    "স্বয়ং-প্রতিরোধ ক্ষমতা জনিত ৰোগ",
    "রোগ প্রতিরোধ ক্ষমতাৰ অভাৱ",
    "এই সকলোবোৰ।"
  ],
  "target": "D",
  "id": 0,
  "group_id": 0,
  "metadata": {
    "language": "Assamese",
    "topic": "Kayachikitsa"
  }
}

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 bhasha_bench_multi_ayur \
    --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=['bhasha_bench_multi_ayur'],
    dataset_args={
        'bhasha_bench_multi_ayur': {
            # subset_list: ['Assamese', 'Bengali', 'Bodo']  # 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)

5.5 KiB Raw Blame History Unescape Escape