Upload 3 files
Browse files- MMLU-Pro-mini/benchlocal.pack.json +4 -4
- MMLU-Pro-mini/index.mjs +11 -82
- MMLU-Pro-mini/scenarios.json +0 -0
MMLU-Pro-mini/benchlocal.pack.json
CHANGED
|
@@ -1,10 +1,10 @@
|
|
| 1 |
{
|
| 2 |
"schemaVersion": 1,
|
| 3 |
"protocolVersion": 1,
|
| 4 |
-
"id": "mmlu-pro-multilingual-
|
| 5 |
-
"name": "MMLU-Pro Multilingual Reasoning
|
| 6 |
-
"version": "3.
|
| 7 |
-
"description": "
|
| 8 |
"entry": "./index.mjs",
|
| 9 |
"samplingDefaults": {
|
| 10 |
"temperature": 0.0
|
|
|
|
| 1 |
{
|
| 2 |
"schemaVersion": 1,
|
| 3 |
"protocolVersion": 1,
|
| 4 |
+
"id": "mmlu-pro-multilingual-strict-format-126",
|
| 5 |
+
"name": "MMLU-Pro Multilingual Reasoning (Strict 'Мой ответ: (X)' Format)",
|
| 6 |
+
"version": "3.1.0",
|
| 7 |
+
"description": "Академический бенчмарк MMLU-Pro: 14 категорий, 126 расчетно-логических задач (по 9 в категории: 3 RU, 3 EN, 3 Mixed), 10 вариантов (A-J), свободный Chain-of-Thought и парсинг маркера 'Мой ответ: (X)'",
|
| 8 |
"entry": "./index.mjs",
|
| 9 |
"samplingDefaults": {
|
| 10 |
"temperature": 0.0
|
MMLU-Pro-mini/index.mjs
CHANGED
|
@@ -8,82 +8,8 @@ const scenariosPath = path.join(__dirname, "scenarios.json");
|
|
| 8 |
|
| 9 |
export const manifest = JSON.parse(fs.readFileSync(manifestPath, "utf8"));
|
| 10 |
|
| 11 |
-
/**
|
| 12 |
-
* Формирование финального промпта:
|
| 13 |
-
* Оформляет 10 вариантов (A-J), поощряет пошаговые рассуждения (Chain-of-Thought)
|
| 14 |
-
* и требует вывода строгого вердикта на последней строке с примерами на буквах X, Y, Z.
|
| 15 |
-
*/
|
| 16 |
-
function buildFullPrompt(s) {
|
| 17 |
-
const letters = ["A", "B", "C", "D", "E", "F", "G", "H", "I", "J"];
|
| 18 |
-
const formattedOptions = s.options
|
| 19 |
-
.map((opt, i) => `${letters[i]}) ${opt}`)
|
| 20 |
-
.join("\n");
|
| 21 |
-
|
| 22 |
-
if (s.language === "ru") {
|
| 23 |
-
return `${s.question}\n\nВарианты ответа:\n${formattedOptions}\n\nИНСТРУКЦИЯ ПО ВЫПОЛНЕНИЮ:
|
| 24 |
-
Ты можешь и должен подробно рассуждать по шагам (Chain-of-Thought), решая задачу и анализируя данные.
|
| 25 |
-
Однако в самом конце твоего ответа обязана присутствовать отдельная финальная строка, строго оформленная по шаблону:
|
| 26 |
-
Мой ответ: (БУКВА)
|
| 27 |
-
|
| 28 |
-
Примеры правильного оформления финала (буквы X, Y, Z приведены только для образца и отсутствуют в вариантах A-J):
|
| 29 |
-
Пример 1:
|
| 30 |
-
... [твои пошаговые вычисления и рассуждения] ...
|
| 31 |
-
Мой ответ: (X)
|
| 32 |
-
|
| 33 |
-
Пример 2:
|
| 34 |
-
... [твои пошаговые вычисления и рассуждения] ...
|
| 35 |
-
Мой ответ: (Y)
|
| 36 |
-
|
| 37 |
-
Пример 3:
|
| 38 |
-
... [твои пошаговые вычисления и рассуждения] ...
|
| 39 |
-
Мой ответ: (Z)`;
|
| 40 |
-
}
|
| 41 |
-
|
| 42 |
-
if (s.language === "en") {
|
| 43 |
-
return `${s.question}\n\nOptions:\n${formattedOptions}\n\nINSTRUCTIONS:
|
| 44 |
-
You can and should reason step-by-step (Chain-of-Thought) to rigorously solve the problem.
|
| 45 |
-
However, at the very end of your response, you must provide your final conclusion on a separate line strictly formatted as:
|
| 46 |
-
My answer: (LETTER)
|
| 47 |
-
|
| 48 |
-
Examples of final line formatting (letters X, Y, Z are placeholders and not choices A-J):
|
| 49 |
-
Example 1:
|
| 50 |
-
... [your step-by-step reasoning and calculations] ...
|
| 51 |
-
My answer: (X)
|
| 52 |
-
|
| 53 |
-
Example 2:
|
| 54 |
-
... [your step-by-step reasoning and calculations] ...
|
| 55 |
-
My answer: (Y)
|
| 56 |
-
|
| 57 |
-
Example 3:
|
| 58 |
-
... [your step-by-step reasoning and calculations] ...
|
| 59 |
-
My answer: (Z)`;
|
| 60 |
-
}
|
| 61 |
-
|
| 62 |
-
return `${s.question}\n\nВарианты / Options:\n${formattedOptions}\n\nИНСТРУКЦИЯ / INSTRUCTIONS:
|
| 63 |
-
Рассуждай подробно по шагам (Chain-of-Thought), проводя необходимые расчеты.
|
| 64 |
-
В самом конце твой output обязан завершаться отдельной строкой строго по шаблону:
|
| 65 |
-
Мой ответ / My answer: (LETTER)
|
| 66 |
-
|
| 67 |
-
Examples / Примеры завершения (буквы X, Y, Z взяты для примера и отсутствуют в вариантах A-J):
|
| 68 |
-
Example 1:
|
| 69 |
-
... [твои рассуждения / reasoning] ...
|
| 70 |
-
Мой ответ / My answer: (X)
|
| 71 |
-
|
| 72 |
-
Example 2:
|
| 73 |
-
... [твои рассуждения / reasoning] ...
|
| 74 |
-
Мой ответ / My answer: (Y)
|
| 75 |
-
|
| 76 |
-
Example 3:
|
| 77 |
-
... [твои рассуждения / reasoning] ...
|
| 78 |
-
Мой ответ / My answer: (Z)`;
|
| 79 |
-
}
|
| 80 |
-
|
| 81 |
function loadScenarios() {
|
| 82 |
-
|
| 83 |
-
return raw.map((s) => ({
|
| 84 |
-
...s,
|
| 85 |
-
prompt: s.prompt || buildFullPrompt(s)
|
| 86 |
-
}));
|
| 87 |
}
|
| 88 |
|
| 89 |
export function listScenarios() {
|
|
@@ -100,14 +26,16 @@ export function getScenarios() {
|
|
| 100 |
}
|
| 101 |
|
| 102 |
/**
|
| 103 |
-
* Валидатор
|
| 104 |
-
*
|
|
|
|
| 105 |
*/
|
| 106 |
function validateResponse(scenario, rawText) {
|
| 107 |
const text = (rawText || "").trim();
|
| 108 |
const expected = (scenario.correctAnswer || "").trim().toUpperCase();
|
| 109 |
|
| 110 |
-
|
|
|
|
| 111 |
const matches = [...text.matchAll(pattern)];
|
| 112 |
|
| 113 |
if (matches.length === 0) {
|
|
@@ -115,10 +43,11 @@ function validateResponse(scenario, rawText) {
|
|
| 115 |
pass: false,
|
| 116 |
score: 0,
|
| 117 |
extracted: null,
|
| 118 |
-
reason: `Нарушен формат
|
| 119 |
};
|
| 120 |
}
|
| 121 |
|
|
|
|
| 122 |
const lastMatch = matches[matches.length - 1];
|
| 123 |
const extracted = lastMatch[1].toUpperCase();
|
| 124 |
|
|
@@ -127,7 +56,7 @@ function validateResponse(scenario, rawText) {
|
|
| 127 |
pass: false,
|
| 128 |
score: 0,
|
| 129 |
extracted,
|
| 130 |
-
reason: `Неверный ответ: модель
|
| 131 |
};
|
| 132 |
}
|
| 133 |
|
|
@@ -135,7 +64,7 @@ function validateResponse(scenario, rawText) {
|
|
| 135 |
pass: true,
|
| 136 |
score: 100,
|
| 137 |
extracted,
|
| 138 |
-
reason: `
|
| 139 |
};
|
| 140 |
}
|
| 141 |
|
|
@@ -210,7 +139,7 @@ export async function prepare(context) {
|
|
| 210 |
`scenario=${scenario.id} - ${scenario.name}`,
|
| 211 |
`prompt=${scenario.prompt}`,
|
| 212 |
`assistant_full_cot_response=${text}`,
|
| 213 |
-
`
|
| 214 |
`expected_letter=${scenario.correctAnswer}`,
|
| 215 |
`verdict=${result.pass ? "pass" : "fail"}`,
|
| 216 |
`score=${result.score}`,
|
|
|
|
| 8 |
|
| 9 |
export const manifest = JSON.parse(fs.readFileSync(manifestPath, "utf8"));
|
| 10 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
| 11 |
function loadScenarios() {
|
| 12 |
+
return JSON.parse(fs.readFileSync(scenariosPath, "utf8"));
|
|
|
|
|
|
|
|
|
|
|
|
|
| 13 |
}
|
| 14 |
|
| 15 |
export function listScenarios() {
|
|
|
|
| 26 |
}
|
| 27 |
|
| 28 |
/**
|
| 29 |
+
* Валидатор: ищет строго заданный маркер "Мой ответ: (БУКВА)"
|
| 30 |
+
* Модель может свободно рассуждать, но в конце обязана выдать именно этот маркер.
|
| 31 |
+
* Весь промежуточный текст, формулы и размышления игнорируются.
|
| 32 |
*/
|
| 33 |
function validateResponse(scenario, rawText) {
|
| 34 |
const text = (rawText || "").trim();
|
| 35 |
const expected = (scenario.correctAnswer || "").trim().toUpperCase();
|
| 36 |
|
| 37 |
+
// Ищем маркер формата: "Мой ответ: (БУКВА)" (или англоязычный аналог "My answer: (LETTER)")
|
| 38 |
+
const pattern = /(?:Мой\s*ответ|My\s*answer):\s*\(([A-J])\)/gi;
|
| 39 |
const matches = [...text.matchAll(pattern)];
|
| 40 |
|
| 41 |
if (matches.length === 0) {
|
|
|
|
| 43 |
pass: false,
|
| 44 |
score: 0,
|
| 45 |
extracted: null,
|
| 46 |
+
reason: `Нарушен формат: не найдена обязательная конструкция 'Мой ответ: (БУКВА)'. Окончание ответа: "${text.slice(-100)}"`
|
| 47 |
};
|
| 48 |
}
|
| 49 |
|
| 50 |
+
// Берем последнее вхождение маркера в тексте (итоговый вердикт модели)
|
| 51 |
const lastMatch = matches[matches.length - 1];
|
| 52 |
const extracted = lastMatch[1].toUpperCase();
|
| 53 |
|
|
|
|
| 56 |
pass: false,
|
| 57 |
score: 0,
|
| 58 |
extracted,
|
| 59 |
+
reason: `Неверный ответ: модель выбрала '(${extracted})', ожидалось '(${expected})'`
|
| 60 |
};
|
| 61 |
}
|
| 62 |
|
|
|
|
| 64 |
pass: true,
|
| 65 |
score: 100,
|
| 66 |
extracted,
|
| 67 |
+
reason: `Успех: корректно выбран вариант '(${extracted})' в строгом формате 'Мой ответ: (X)'`
|
| 68 |
};
|
| 69 |
}
|
| 70 |
|
|
|
|
| 139 |
`scenario=${scenario.id} - ${scenario.name}`,
|
| 140 |
`prompt=${scenario.prompt}`,
|
| 141 |
`assistant_full_cot_response=${text}`,
|
| 142 |
+
`extracted_letter=${result.extracted || "NONE"}`,
|
| 143 |
`expected_letter=${scenario.correctAnswer}`,
|
| 144 |
`verdict=${result.pass ? "pass" : "fail"}`,
|
| 145 |
`score=${result.score}`,
|
MMLU-Pro-mini/scenarios.json
CHANGED
|
The diff for this file is too large to render.
See raw diff
|
|
|