DocMath

概述

DocMath-Eval 是一个专注于特定领域内数值推理的综合性基准测试。该基准要求模型理解长篇且专业的文档，并基于文档内容进行数值推理以回答问题。

任务描述

• 任务类型：基于文档的数学推理

• 输入：长文档上下文 + 数值推理问题

• 输出：带推理过程的数值答案

• 重点：长上下文理解与定量推理能力

主要特点

• 需要理解长篇专业文档

• 在文档上下文中进行数值推理

• 多种复杂度级别（复杂/简单，长/短）

• 测试真实场景下的文档理解能力

• 同时考察阅读理解与数学技能

评估说明

• 默认配置使用 0-shot 评估

• 使用 LLM-as-judge 进行答案评估

• 子集包括：complong_testmini、compshort_testmini、simplong_testmini、simpshort_testmini

• 答案格式："Therefore, the answer is (answer)"

属性

属性	值
基准测试名称	docmath
数据集ID	yale-nlp/DocMath-Eval
论文	N/A
标签	LongContext, Math, Reasoning
指标	acc
默认示例数	0-shot
评估分割	test

数据统计

指标	值
总样本数	800
提示词长度（平均）	68791.03 字符
提示词长度（最小/最大）	505 / 1009038 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
complong_testmini	300	175355.17	18687	1009038
compshort_testmini	200	1990.74	505	9460
simplong_testmini	100	13972.84	6870	24001
simpshort_testmini	200	3154.2	560	9600

样例示例

子集: complong_testmini

{
  "input": [
    {
      "id": "a07cbfcf",
      "content": "Please read the following text and answer the question below.\n\n<text>\nDELTA AIR LINES, INC.\nConsolidated Balance Sheets\n| (in millions, except share data) | March 31, 2018 | December 31, 2017 |\n| ASSETS |\n| Current Assets: |\n| Cash and cash e ... [TRUNCATED] ... comprehensive income for foreign currency exchange contracts in 2017 and 2018, and the changes in value for derivative contracts and other in 2018, in million?\n\nFormat your response as follows: \"Therefore, the answer is (insert answer here)\"."
    }
  ],
  "target": "-31.0",
  "id": 0,
  "group_id": 0,
  "metadata": {
    "question_id": "complong-testmini-0",
    "answer_type": "float"
  }
}

注：部分内容因展示需要已被截断。

提示模板

提示模板：

Please read the following text and answer the question below.

<text>
{context}
</text>

{question}

Format your response as follows: "Therefore, the answer is (insert answer here)".

使用方法

使用 CLI

evalscope eval \
    --model YOUR_MODEL \
    --api-url OPENAI_API_COMPAT_URL \
    --api-key EMPTY_TOKEN \
    --datasets docmath \
    --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=['docmath'],
    dataset_args={
        'docmath': {
            # subset_list: ['complong_testmini', 'compshort_testmini', 'simplong_testmini']  # 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)