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

3.0 KiB

Raw Blame History

BhashaBench-Multi (Finance)

概述

BhashaBench-Multi（Finance）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种印度语言中对金融知识的掌握情况。每个问题最初以英文编写，随后通过机器翻译（并附有基于大语言模型判断的翻译质量评分）转换为目标语言；本适配器使用的是翻译后的问题和选项。

任务描述

任务类型：领域特定的多项选择题问答
输入：一道包含4个选项的金融问题，使用22种印度语言之一
输出：正确答案对应的字母
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、泰卢固日晚间乌尔都语

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）
从英文机器翻译而来，并附有基于大语言模型判断的翻译质量评分
包含印度官方规定的22种语言，全部使用本地文字书写；不包含英文版本
提供四个独立的领域基准测试：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有14,963道题目（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_finance`
数据集ID	bharatgenai/BhashaBench-Multi
论文	无
标签	`Knowledge`, `MCQ`, `MultiLingual`
指标	`accuracy`
默认示例数	0-shot
评估划分	`test`

数据统计

统计数据暂不可用。

样例示例

样例示例暂不可用。

提示模板

提示模板：

回答以下多项选择题。你的整个回复内容必须采用如下格式：'ANSWER: [LETTER]'（不含引号），其中 [LETTER] 是 {letters} 中的一个。

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

run_task(task_cfg=task_cfg)

3.0 KiB Raw Blame History Unescape Escape