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

5.7 KiB

Raw Blame History

BhashaBench-Multi (Legal)

概述

BhashaBench-Multi (Legal) 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种印度语言中对印度法律知识的掌握情况。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题问答
输入：一道印度法律问题，包含4个选项，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，并附带基于LLM判断的翻译质量评分
覆盖印度宪法规定的22种预定语言，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道题（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_legal`
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	536,030
提示词长度（平均）	490.89 字符
提示词长度（最小/最大）	225 / 6384 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`	24,365	475.08	232	2556
`Bengali`	24,365	482.5	235	2066
`Bodo`	24,365	521.23	225	4608
`Dogri`	24,365	487.72	225	4432
`Gujarati`	24,365	463.64	232	1954
`Hindi`	24,365	489.37	232	2202
`Kannada`	24,365	475.35	232	2068
`Kashmiri`	24,365	514.54	242	5037
`Konkani`	24,365	473.95	225	4000
`Maithili`	24,365	473.11	225	4011
`Malayalam`	24,365	511.29	236	2218
`Manipuri`	24,365	548.36	238	6384
`Marathi`	24,365	487.86	232	2113
`Nepali`	24,365	475.87	234	2058
`Oriya`	24,365	458.86	232	1936
`Punjabi`	24,365	483.03	232	2138
`Sanskrit`	24,365	489.0	233	1979
`Santhali`	24,365	549.75	233	5074
`Sindhi`	24,365	455.74	234	1830
`Tamil`	24,365	522.97	237	2479
`Telugu`	24,365	481.32	234	1992
`Urdu`	24,365	479.13	235	2120

样例示例

子集: Assamese

{
  "input": [
    {
      "id": "e631cc6e",
      "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\nকোনো আদেশ প্ৰকাশ কৰাৰ পূৰ্বতে কোনো সমস্যা সংশোধন কৰাৰ বা নতুন সমস্যা উত্থাপন কৰাৰ ক্ষমতা আদালতৰ ওচৰত থাকে, আৰু এই ক্ষমতা দিয়া হয় দেৱানী প্রক্রিয়া বিধি, ১৯০৮-ৰ কোনটো ব্যৱস্থাৰ দ্বাৰা?\n\nA) অধ্যায় ১৪, বিধি ১\nB) অধ্যায় ১৪, বিধি ৫\nC) অধ্যায় XIV, বিধি ৬\nD) ধাৰা ১৫১"
    }
  ],
  "choices": [
    "অধ্যায় ১৪, বিধি ১",
    "অধ্যায় ১৪, বিধি ৫",
    "অধ্যায় XIV, বিধি ৬",
    "ধাৰা ১৫১"
  ],
  "target": "B",
  "id": 0,
  "group_id": 0,
  "metadata": {
    "language": "Assamese",
    "topic": "Procedural Law"
  }
}

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

使用命令行（CLI）

evalscope eval \
    --model YOUR_MODEL \
    --api-url OPENAI_API_COMPAT_URL \
    --api-key EMPTY_TOKEN \
    --datasets bhasha_bench_multi_legal \
    --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_legal'],
    dataset_args={
        'bhasha_bench_multi_legal': {
            # 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)

5.7 KiB Raw Blame History Unescape Escape