大模型评估排障指南 | 关于 LaTeX 公式解析

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 的数学评估基准。https://hf.co/datasets/lighteval/MATH

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 ) 表达式。https://github.com/sympy/sympy

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 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。https://github.com/sympy/sympy/blob/master/sympy/parsing/latex/lark/grammar/latex.lark

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:

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