MultiPL-E MBPP#

概述#

MultiPL-E MBPP 是一个源自 MBPP（Mostly Basic Python Programming）的多语言代码生成基准测试。它将原始 MBPP 扩展至 18 种编程语言，支持对代码生成能力进行跨语言评估。

任务描述#

任务类型：多语言代码生成
输入：包含文档字符串（docstring）的编程问题提示
输出：能通过测试用例的完整代码解决方案
语言：18 种语言（C++、TypeScript、Shell、C#、Go、Java、Lua、JavaScript、PHP、Perl、Racket、R、Rust、Scala、Swift、Ruby、D、Julia）

主要特性#

覆盖 18 种编程语言的多语言评估
基于执行的测试用例评估
支持代码生成的 pass@k 指标
使用 Docker 沙箱环境实现安全代码执行
源自 MBPP，保持一致的问题难度

评估说明#

需要沙箱：需使用沙箱环境以确保代码安全执行
默认评估使用 test 划分
主要指标：准确率（Accuracy），采用 pass@k 聚合方式
每个测试用例超时时间：30 秒
沙箱环境设置请参阅沙箱文档

属性#

属性	值
基准测试名称	`multiple_mbpp`
数据集 ID	evalscope/MultiPL-E
论文	N/A
标签	`Coding`
指标	`acc`
默认示例数（Shots）	0-shot
评估划分	`test`
聚合方式	`mean_and_pass_at_k`

数据统计#

指标	值
总样本数	6,987
提示词长度（平均）	379.32 字符
提示词长度（最小/最大）	266 / 1002 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
`mbpp-cpp`	397	407.55	317	1002
`mbpp-ts`	390	359.57	295	674
`mbpp-sh`	382	362.53	296	696
`mbpp-cs`	386	549.09	481	867
`mbpp-go`	374	402.21	332	723
`mbpp-java`	386	553	474	889
`mbpp-lua`	397	332.52	277	651
`mbpp-js`	397	325.48	270	645
`mbpp-php`	397	336.17	280	655
`mbpp-pl`	396	337.87	282	657
`mbpp-rkt`	397	342.25	287	660
`mbpp-r`	397	326.42	271	644
`mbpp-rs`	354	351.9	285	669
`mbpp-scala`	396	434.01	364	750
`mbpp-swift`	396	352.64	285	667
`mbpp-rb`	397	321.34	266	641
`mbpp-d`	358	376.49	308	693
`mbpp-jl`	390	363.01	292	686

样例示例#

子集：mbpp-cpp

{
  "input": [
    {
      "id": "209e8d38",
      "content": "```cpp\n#include<assert.h>\n#include<bits/stdc++.h>\n// Write a cppthon function to identify non-prime numbers.\nbool is_not_prime(long n) {\n\n```\n\nPlease complete the above code according to the requirements in the docstring. Write the complete code and wrap it in markdown fenced code. The code should not contain `Main` function."
    }
  ],
  "target": "",
  "id": 0,
  "group_id": 0,
  "metadata": {
    "tests": "}\nint main() {\n    auto candidate = is_not_prime;\n    assert(candidate((2)) == (false));\n    assert(candidate((10)) == (true));\n    assert(candidate((35)) == (true));\n    assert(candidate((37)) == (false));\n}\n",
    "stop_tokens": [
      "\n}"
    ],
    "task_id": "mbpp_3_is_not_prime",
    "language": "cpp",
    "doctests": "transform"
  }
}

提示模板#

提示模板：

{prompt}

沙箱配置#

此基准测试需要沙箱环境来执行代码。

{
  "image": "volcengine/sandbox-fusion:server-20250609",
  "tools_config": {
    "shell_executor": {},
    "python_executor": {},
    "multi_code_executor": {}
  },
  "memory_limit": "2g",
  "cpu_limit": "2.0"
}

使用方法#

使用 CLI#

evalscope eval \
    --model YOUR_MODEL \
    --api-url OPENAI_API_COMPAT_URL \
    --api-key EMPTY_TOKEN \
    --datasets multiple_mbpp \
    --sandbox '{"enabled": true}' \
    --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=['multiple_mbpp'],
    sandbox={'enabled': True},
    dataset_args={
        'multiple_mbpp': {
            # subset_list: ['mbpp-cpp', 'mbpp-ts', 'mbpp-sh']  # 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)