|
这是 大模型评估排障指南 系列文章的第二篇，敬请关注系列文章:
- 关于推理
- 关于 \(\LaTeX\) 公式解析
- 关于可复现性
解析 LaTeX 很难。这个问题在评估输出为 \(\LaTeX\) 的模型时经常会遇到，例如 Hugging Face 的 数学评估基准。
这个基准使用 \(\LaTeX\) 来表示数学领域的计算和符号。评估难点在于对模型输出与标准答案的解析和比较。
结果表明，解析 \(\LaTeX\) 没有标准方法。
摘自 sympy 文档
lm-evaluation 框架使用 sympy (一个用于符号数学的 Python 库) 来对 latex 进行解析和比较。
使用 sympy 解析真值 (用真值自身对比测试) 只能得到约 0.94 的准确率。
怎么会是这样呢？后来发现 sympy 无法解析某些 (标准的 \(\LaTeX\)) 表达式。
例如:
couldn't parse one of [0,1) 或 [0,1)， I expected one of these: ']'
[0,1)
~~^
couldn't parse one of (-\iny,-5]\cup[5,\iny) or (-\iny,-5]\cup[5,\iny), I expected something else here
(-\iny,-5]\cup[5,\iny)
~~~~~~^
couldn't parse one of -\frac{1}{{}2x} or -\frac{1}{{}2x}, I don't understand this
-\frac{1}{{}2x}
~~~~~~~~~~~^
如何缓解这个问题？
重写 \(\LaTeX\) 语法解析模块 并在代码中添加必须功能；或者往代码里添加人工检查来提高模型得分。
在几乎陷入问题陷阱之后，我们认为在代码中添加字符串比较检查差不多就能缓解这个问题了。
LM 评估工具修复
结果
修复前后模型 Top 25 对比结果表格如下：
| 解析器修复前后模型在 MATH 基准测试结果对比 |
| Model |
Score
|
Rank
|
| Original |
Fixed parser |
Original |
Fixed parser |
| rombodawg/Rombos-LLM-V2.5-Qwen-72b |
47.58 |
50.68 |
1 |
1 |
| MaziyarPanahi/calme-2.2-qwen2-72b |
41.16 |
43.43 |
2 |
2 |
| arcee-ai/Arcee-Nova |
40.48 |
42.90 |
3 |
3 |
| fblgit/TheBeagle-v2beta-32B-MGS |
39.43 |
42.52 |
4 |
4 |
| rombodawg/Rombos-LLM-V2.5-Qwen-32b |
39.12 |
41.99 |
5 |
5 |
| dnhkng/RYS-XLarge |
38.97 |
41.24 |
6 |
6 |
| dfurman/CalmeRys-78B-Orpo-v0.1 |
37.92 |
40.71 |
8 |
7 |
| MaziyarPanahi/calme-2.2-rys-78b |
37.92 |
39.95 |
8 |
9 |
| MaziyarPanahi/calme-2.4-rys-78b |
37.69 |
40.41 |
9 |
8 |
| MaziyarPanahi/calme-2.3-rys-78b |
36.56 |
38.97 |
10 |
10 |
| MaziyarPanahi/calme-2.1-rys-78b |
36.40 |
38.90 |
11 |
11 |
| Qwen/Qwen2.5-72B |
36.10 |
38.67 |
12 |
12 |
| MaziyarPanahi/calme-2.1-qwen2-72b |
36.03 |
38.07 |
13 |
15 |
| Qwen/Qwen2-Math-72B-Instruct |
35.95 |
38.14 |
14 |
14 |
| dfurman/Qwen2-72B-Orpo-v0.1 |
35.42 |
38.14 |
15 |
13 |
| abacusai/Smaug-Qwen2-72B-Instruct |
35.35 |
37.46 |
16 |
19 |
| anthracite-org/magnum-v1-72b |
35.27 |
37.69 |
18 |
16 |
| alpindale/magnum-72b-v1 |
35.27 |
37.69 |
18 |
16 |
| Qwen/Qwen2-72B-Instruct |
35.12 |
37.69 |
19 |
18 |
| dnhkng/RYS-XLarge-base |
34.67 |
37.16 |
20 |
20 |
| Undi95/MG-FinalMix-72B |
33.61 |
36.10 |
22 |
21 |
| abacusai/Dracarys-72B-Instruct |
33.61 |
35.65 |
22 |
22 |
| Qwen/Qwen2.5-32B |
32.85 |
35.50 |
23 |
23 |
| anthracite-org/magnum-v2-72b |
31.65 |
34.06 |
24 |
24 |
| dnhkng/RYS-Huge-bnb-4bit |
31.57 |
33.84 |
25 |
25 |
英文原文: https://raw.githubusercontent.com/huggingface/evaluation-guidebook/refs/heads/main/contents/troubleshooting/troubleshooting-math-parsing.md
原文作者: Nathan Habib
译者: SuSung-boy
审校: Adeena
来源：https://www.cnblogs.com/huggingface/p/18866004 |
发表于 2025-5-8 11:50:00
