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 \( \LaTeX \) 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	<span class="gt_column_spanner">Score</span>		<span class="gt_column_spanner">Rank</span>
	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