Request official evaluation scripts/configs for reproducing MiniCPM5-2B benchmark results
Nessuno ha ancora preso questa issue.
Valutazione
- Difficoltà
- 5/5
- Tempo stimato
- Più di una settimana
- Idoneità per principianti
- 25/100
- Tipo di issue
- Funzionalità
- Chiarezza
- Da chiarire
- Stato di attività
- Attiva
- Ambito
- machine-learning
Direzione di ricerca
Nell’issue non sono indicati file, test o punti di ingresso. Inizia individuando qualsiasi materiale esistente relativo alla valutazione o ai benchmark nel repository, quindi determina se è possibile aggiungere gli script, le configurazioni, il pre-processing e i comandi di grading richiesti per MATH-500, MMLU/MMLU-Pro, AIME e HMMT; il lavoro è completato quando il workflow ufficiale di riproduzione è disponibile e documentato.
Scritto dal modello di indicizzazione a partire dal testo della issue.
Descrizione
Hello MiniCPM Team,
I am trying to reproduce the benchmark results of MiniCPM5-2B for academic research.
I have successfully deployed the released MiniCPM5-2B model following the official instructions. However, I could not find the complete evaluation pipeline used to obtain the benchmark results reported in the model card.
Could you please share the official evaluation scripts and configurations, including:
- Benchmark evaluation scripts (MATH-500, MMLU/MMLU-Pro, AIME, HMMT, etc.);
- Inference settings:
- prompt/chat template;
- whether
enable_thinking=Trueis used; - generation parameters (
max_new_tokens, temperature, top_p, do_sample, stop criteria, etc.);
- Answer extraction and grading scripts;
- Dataset preprocessing and evaluation commands.
I especially want to reproduce the reported MATH-500 score (94.6), and I would like to confirm whether the official evaluation uses any reasoning budget, length control, or special stopping strategy for the thinking mode.
Any scripts or configuration files would be greatly appreciated.
Thank you very much.
- Lingua principale
- Jupyter Notebook
- Stelle
- 11.1k
- Fork
- 766
- Merge medio
- 5h 3m
- PR unite (30g)
- 6
Preparare l'ambiente
Non abbiamo ancora controllato i file di configurazione di questo progetto. Parti dal suo README e consulta la nostra guida al primo contributo per i passaggi generali.
Come iniziare
- Leggi tutta la issue e poi la guida ai contributi del progetto.
- Commenta sulla issue per dire che te ne occupi tu — evita che due persone facciano lo stesso lavoro.
- Fai un fork del repository e lavora su un branch.
- Apri una pull request che faccia riferimento al numero della issue.
Altre issue di OpenBMB/MiniCPM
-
Difficoltà 1/5 Meno di un'ora Idoneità per principianti 78/100
-
Difficoltà 5/5 Più di una settimana Idoneità per principianti 15/100
-
Difficoltà 3/5 1-2 giorni Idoneità per principianti 55/100
-
feature
Difficoltà 4/5 3-5 giorni Idoneità per principianti 35/100
-
Difficoltà 3/5 1-2 giorni Idoneità per principianti 62/100
Tutte le issue di OpenBMB/MiniCPM
Issue simili
-
FingerprintSplitter raises ZeroDivisionError when int(frac_train * len(dataset)) floors to zeroAperta
Difficoltà 2/5 1-3 ore Idoneità per principianti 88/100
I maintainer di solito rispondono entro 7 giorni
-
Difficoltà 2/5 1-3 ore Idoneità per principianti 70/100
lmstudio-ai/mlx-engine#376 ·
-
good first issue
Difficoltà 2/5 1-3 ore Idoneità per principianti 88/100
selimfirat/pysad#156 · 1 commento ·
I maintainer di solito rispondono entro 1 giorno
-
Difficoltà 2/5 1-3 ore Idoneità per principianti 88/100
huggingface/diffusers#14888 ·
I maintainer di solito rispondono entro 1 giorno
-
Difficoltà 2/5 1-3 ore Idoneità per principianti 82/100
pytorch/rl#4489 · 1 commento ·
I maintainer di solito rispondono entro 1 giorno