MGSM#

概述#

MGSM（Multilingual Grade School Math，多语言小学数学）是一个用于评估语言模型多语言数学推理能力的基准测试。它将 GSM8K 扩展至 11 种类型学上多样化的语言，以检验模型是否能在不同语言中执行思维链（chain-of-thought）推理。

任务描述#

任务类型：多语言数学应用题求解
输入：11 种语言之一的小学数学应用题
输出：包含逐步推理过程和数值答案的解答
语言：英语、西班牙语、法语、德语、俄语、中文、日语、泰语、斯瓦希里语、孟加拉语、泰卢固语

主要特点#

每种语言包含 250 道题目（从 GSM8K 翻译而来）
覆盖 11 种类型学上多样化的语言，涵盖不同语系
测试模型的多语言思维链推理能力
各语言使用相同的问题内容，便于跨语言比较
旨在评估与语言无关的数学推理能力

评估说明#

默认配置使用 4-shot 示例
答案应使用 \boxed{} 格式包裹，以便正确提取
可通过 subset_list 参数指定评估特定语言（例如 ['en', 'zh', 'ja']）
支持跨语言性能比较
少样本（few-shot）示例从同语言的训练集（train split）中抽取

属性#

属性	值
基准测试名称	`mgsm`
数据集ID	evalscope/mgsm
论文	N/A
标签	`Math`, `MultiLingual`, `Reasoning`
指标	`acc`
默认少样本数量	4-shot
评估集	`test`
训练集	`train`

数据统计#

指标	值
总样本数	2,750
提示词长度（平均）	1742.98 字符
提示词长度（最小/最大）	791 / 2464 字符

各子集统计数据：

子集	样本数	提示平均长度	提示最小长度	提示最大长度
`en`	250	1790.71	1637	2165
`es`	250	1940.02	1773	2371
`fr`	250	2047	1878	2440
`de`	250	1963.9	1792	2386
`ru`	250	1831.66	1667	2214
`zh`	250	842.16	791	946
`ja`	250	1102.33	1035	1248
`th`	250	1835.53	1699	2135
`sw`	250	1953.48	1780	2354
`bn`	250	1759.28	1601	2106
`te`	250	2106.77	1939	2464

样例示例#

子集: en

{
  "input": [
    {
      "id": "d67cb3cf",
      "content": "Here are some examples of how to solve similar problems:\n\nQuestion: Roger has 5 tennis balls. He buys 2 more cans of tennis balls. Each can has 3 tennis balls. How many tennis balls does he have now?\n\nReasoning:\nStep-by-Step Answer: Roger sta ... [TRUNCATED] ...  every day with four. She sells the remainder at the farmers' market daily for $2 per fresh duck egg. How much in dollars does she make every day at the farmers' market?\nPlease reason step by step, and put your final answer within \\boxed{}.\n\n"
    }
  ],
  "target": "18",
  "id": 0,
  "group_id": 0,
  "metadata": {
    "reasoning": null,
    "equation_solution": null
  }
}

注：部分内容为显示目的已截断。

提示模板#

提示模板：

{question}
Please reason step by step, and put your final answer within \boxed{}.

少样本模板

Here are some examples of how to solve similar problems:

{fewshot}

{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 mgsm \
    --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=['mgsm'],
    dataset_args={
        'mgsm': {
            # subset_list: ['en', 'es', 'fr']  # 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)