MuSR

概述

MuSR（Multistep Soft Reasoning，多步软推理）是一个通过基于叙事的问题来评估复杂推理能力的基准测试。它包含谋杀谜题、物品放置和团队分配等场景，要求模型进行多步推理。

任务描述

• 任务类型：复杂推理（多项选择题）

• 输入：包含问题和选项的叙事场景

• 输出：正确答案的字母（A-F）

• 领域：谋杀谜题、物品追踪、团队分配

主要特点

• 基于叙事的推理问题

• 需要多步逻辑推理

• 三个不同的推理领域

• 测试约束满足与演绎能力

• 上下文较长，需仔细推理

评估说明

• 默认配置使用 0-shot 评估

• 使用思维链（Chain-of-Thought, CoT）提示

• 包含三个子集：murder_mysteries、object_placements、team_allocation

• 使用简单准确率（accuracy）作为指标

• 是一个具有挑战性的基准，要求仔细阅读

属性

属性	值
基准测试名称	musr
数据集ID	AI-ModelScope/MuSR
论文	N/A
标签	MCQ, Reasoning
指标	acc
默认示例数	0-shot
评估划分	test

数据统计

指标	值
总样本数	756
提示词长度（平均）	4891.57 字符
提示词长度（最小/最大）	2812 / 7537 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
murder_mysteries	250	5743.1	4056	7537
object_placements	256	5294.0	3735	7525
team_allocation	250	3627.93	2812	4351

样例示例

子集: murder_mysteries

{
  "input": [
    {
      "id": "5ec1a7bd",
      "content": "Answer the following multiple choice question. The last line of your response should be of the following format: 'ANSWER: [LETTER]' (without quotes) where [LETTER] is one of A,B. Think step by step before answering.\n\nIn an adrenaline inducing ... [TRUNCATED] ... and wronged, over and over, at the same sight. It was quite a sight. \n\nWinston, shuffling back to the station, was left with one thought - Looks like Mackenzie had quite an eventful week.\n\nWho is the most likely murderer?\n\nA) Mackenzie\nB) Ana"
    }
  ],
  "choices": [
    "Mackenzie",
    "Ana"
  ],
  "target": "A",
  "id": 0,
  "group_id": 0
}

注：部分内容为显示目的已截断。

提示模板

提示模板：

Answer the following multiple choice question. The last line of your response should be of the following format: 'ANSWER: [LETTER]' (without quotes) where [LETTER] is one of {letters}. Think step by step before answering.

{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 musr \
    --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=['musr'],
    dataset_args={
        'musr': {
            # subset_list: ['murder_mysteries', 'object_placements', 'team_allocation']  # 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)