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

ARC-Challenge-Indic

概述

ARC-Challenge-Indic 是将 AI2 推理挑战赛（ARC-Challenge）科学问答基准翻译成 10 种印度语言，并保留原始英文版本，共涵盖 11 种语言，用于评估多语言科学推理能力。

任务描述

• 任务类型：多语言多项选择科学问答
• 输入：以 11 种语言之一呈现的科学问题及其选项
• 输出：正确答案对应的字母
• 语言：孟加拉语、英语、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

评估说明

• 默认配置使用 0-shot 评估（测试集）
• 使用 subset_list 参数可指定评估特定语言（例如 ['hi', 'ta']）
• 所用题目与 arc 基准（Challenge 分割）相同，每种语言均经过机器或人工翻译

属性

属性	值
基准测试名称	arc_indic
数据集ID	sarvamai/arc-challenge-indic
论文	N/A
标签	MCQ, MultiLingual, Reasoning
指标	accuracy
默认样本数	0-shot
评估分割	test
训练分割	validation

数据统计

指标	值
总样本数	12,647
提示词长度（平均）	448.01 字符
提示词长度（最小/最大）	236 / 2053 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
bn	1,150	432.51	242	1137
en	1,147	454.88	253	1111
gu	1,150	426.57	243	1098
hi	1,150	443.47	236	1162
kn	1,150	456.08	245	1199
ml	1,150	473.31	239	2053
mr	1,150	434.22	242	1133
or	1,150	440.04	243	1374
pa	1,150	443.35	236	1132
ta	1,150	479.12	243	1295
te	1,150	444.53	244	1172

样例示例

子集: bn

{
  "input": [
    {
      "id": "f750462b",
      "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\nএকজন খগোলবিদ পর্যবেক্ষণ করেন যে একটি উল্কা পতনের পরে একটি গ্রহের ঘূর্ণন গতি বেড়ে যায়। ঘূর্ণন বৃদ্ধির ফলে কোন প্রভাবটি সবচেয়ে বেশি সম্ভাব্য?\n\nA) গ্রহের ঘনত্ব কমে যাবে।\nB) গ্রহীয় বছরগুলি আরও দীর্ঘ হবে।\nC) গ্রহের দিনগুলি ছোট হয়ে যাবে।\nD) গ্রহের মাধ্যাকর্ষণ শক্তি আরও বৃদ্ধি পাবে।"
    }
  ],
  "choices": [
    "গ্রহের ঘনত্ব কমে যাবে।",
    "গ্রহীয় বছরগুলি আরও দীর্ঘ হবে।",
    "গ্রহের দিনগুলি ছোট হয়ে যাবে।",
    "গ্রহের মাধ্যাকর্ষণ শক্তি আরও বৃদ্ধি পাবে।"
  ],
  "target": "C",
  "id": 0,
  "group_id": 0,
  "metadata": {
    "id": "Mercury_7175875",
    "language": "Bengali"
  }
}

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 arc_indic \
    --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=['arc_indic'],
    dataset_args={
        'arc_indic': {
            # subset_list: ['bn', 'en', 'gu']  # 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)