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的模型时经常会遇到，例如 Hugging Face 的。
这个基准使用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，解析没有标准方法。
摘自文档
lm-evaluation 框架使用(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) 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: