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

2.9 KiB

Raw Blame History

HMMT-Nov-2025

概述

HMMT November 2025（MathArena）是一个具有挑战性的评估基准，源自2025年11月举办的哈佛-麻省理工数学竞赛（Harvard-MIT Mathematics Tournament, HMMT），这是全球最负盛名且难度最高的高中数学竞赛之一。该基准与 HMMT February 2025（hmmt25）是不同的竞赛。

任务描述

任务类型：竞赛数学问题求解
输入：HMMT 级别的数学问题
输出：包含逐步推理的答案
领域：代数、组合数学、几何和数论

主要特点

包含30道来自 HMMT November 2025 竞赛的题目
数据源自 MathArena 的 hmmt_nov_2025 数据集，并在 ModelScope 上镜像
题目难度极高，属于竞赛级别
考察高级数学推理能力
代表顶尖高中数学竞赛难度

评估说明

默认配置从 ModelScope 加载 evalscope/hmmt_nov_2025 数据集，并评估 train 分割
默认配置使用 0-shot 评估方式
答案应使用 \boxed{} 格式包裹，以便正确提取
数值准确性通过数学等价性检查进行验证，支持整数、分数、小数和符号表达式
无需额外的运行时依赖项

属性

属性	值
基准测试名称	`hmmt_nov25`
数据集ID	evalscope/hmmt_nov_2025
论文	无
标签	`Math`, `Reasoning`
指标	`accuracy`
默认示例数	0-shot
评估分割	`train`

数据统计

指标	值
总样本数	30
提示词长度（平均）	403.3 字符
提示词长度（最小/最大）	203 / 759 字符

样例示例

子集: default

{
  "input": [
    {
      "id": "e53f11c5",
      "content": "Problem:\nLet $ABCD$ be a rectangle. Let $X$ and $Y$ be points on segments $\\overlien{BC}$ and $\\overline{AD}$, respectively, such that $\\angle AXY = \\angle XYC = 90^\\circ$. Given that $AX : XY : YC = 1 : 2 : 1$ and $AB = 1$, compute $BC$.\n\nPlease reason step by step, and put your final answer within \\boxed{}.\n"
    }
  ],
  "target": "3",
  "id": 0,
  "group_id": 0,
  "metadata": {
    "problem_idx": 1,
    "problem_type": null
  }
}

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 hmmt_nov25 \
    --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=['hmmt_nov25'],
    limit=10,  # 正式评估时请删除此行
)

run_task(task_cfg=task_cfg)

2.9 KiB Raw Blame History Unescape Escape