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

5.3 KiB

Raw Blame History

BhashaBench-Multi (Krishi)

概述

BhashaBench-Multi (Krishi) 是一个领域特定的多项选择基准测试，用于评估大语言模型（LLM）在农业（Krishi）领域对22种印度语言的知识掌握情况。每个问题最初以英文编写，随后通过机器翻译（并附有基于LLM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问答
输入：一道农业（Krishi）领域的四选一问题，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、泰卢固语、乌尔都语

主要特点

每种语言约14,963个问题，覆盖22种印度语言（每领域总计约33万）
从英文机器翻译而来，并附有基于LLM判断的翻译质量评分
覆盖印度22种官方语言，全部使用本地文字；不含英文子集
提供四个独立基准测试领域：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个问题（总计约33万），因此完整评估所有语言将是一次大规模运行
本数据集不包含英文子集

属性

属性	值
基准测试名称	`bhasha_bench_multi_krishi`
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	338,910
提示词长度（平均）	411.84 字符
提示词长度（最小/最大）	207 / 2882 字符

各子集统计信息：

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`	15,405	402.14	224	2265
`Bengali`	15,405	406.38	224	1506
`Bodo`	15,405	417.81	207	2186
`Dogri`	15,405	403.83	220	1988
`Gujarati`	15,405	397.6	224	1380
`Hindi`	15,405	407.8	224	1572
`Kannada`	15,405	407.21	224	1407
`Kashmiri`	15,405	442.73	245	2668
`Konkani`	15,405	402.57	222	1969
`Maithili`	15,405	393.7	224	1783
`Malayalam`	15,405	429.89	224	1661
`Manipuri`	15,405	436.33	240	2882
`Marathi`	15,405	406.47	224	1520
`Nepali`	15,405	402.05	224	1440
`Oriya`	15,405	392.2	221	1366
`Punjabi`	15,405	404.2	222	1536
`Sanskrit`	15,405	411.22	224	1412
`Santhali`	15,405	440.59	234	2773
`Sindhi`	15,405	392.36	224	1233
`Tamil`	15,405	441.53	224	2165
`Telugu`	15,405	412.75	224	1432
`Urdu`	15,405	409.12	224	2132

样例示例

子集: Assamese

{
  "input": [
    {
      "id": "70df7242",
      "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\nইয়াকোনো বিশেষ স্থান আৰু সময়ত বায়ুমণ্ডলৰ অৱস্থা বা পৰিস্থিতি বুলি কোৱা হয়।\n\nA) জলবায়ু\nB) আবহাওয়া\nC) পৰ্যাৱৰণ\nD) বায়ুমণ্ডল"
    }
  ],
  "choices": [
    "জলবায়ু",
    "আবহাওয়া",
    "পৰ্যাৱৰণ",
    "বায়ুমণ্ডল"
  ],
  "target": "B",
  "id": 0,
  "group_id": 0,
  "metadata": {
    "language": "Assamese",
    "topic": null
  }
}

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_krishi \
    --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_krishi'],
    dataset_args={
        'bhasha_bench_multi_krishi': {
            # 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)

5.3 KiB Raw Blame History Unescape Escape