Вернуться к списку задач

BPS

Тип задачи
Алгоритмы
Формат вывода
Бинарная классификация
Метрика
Accuracy
Домены
Компьютерные науки
Статистика
dev: 250
test: 1000

Описание задачи

Balanced Parentheses Sequence (BPS) / Сбалансированная последовательность — алгоритмическая задача из BIG-bench. Основная цель данной задачи — измерить способность языковых моделей понимать алгоритмические концепции компьютерных наук, такие как стеки, рекурсия или динамическое программирование.

Каждый пример представляет из себя последовательность скобок. Задача модели — правильно ответить, сбалансирована данная последовательность или нет.

Входная строка сбалансирована, если:

  1. Открытые скобки закрываются скобками того же типа.
  2. Открытые скобки закрываются в правильном порядке.
  3. Каждой закрывающей скобке соответствует открывающая скобка того же типа.

Замечание: Это диагностическое задание с открытым тестом. Результат на ней не участвует в расчет общего результата (Total score) модели на бенчмарке.

Ключевые слова: алгоритмы, численный ответ, длина контекста, скобки, бинарный ответ.

Авторы: Harsh Mehta, Behnam Neyshabur.

Мотивация

Алгоритмы — это способ экстраполяции примеров и один из способов описывать паттерны в задачах. В этом ключе способность языковых моделей понимать скобочные последовательности можно считать важным показателем “интеллекта”.

Поля датасета

  • instruction — строка, содержащая инструкцию для задачи и информацию о требованиях к формату вывода модели;
  • inputs — пример скобочной последовательности;
  • outputs — строка, содержащая правильный ответ: “1” если последовательность скобок сбалансирована, иначе “0”;
  • meta — словарь, содержащий метаинформацию:
    • id — целое число, обозначающее номер задания.

Промпты

Для датасета было подготовлено 10 промптов различной сложности.

Пример:

"Проверьте входную последовательность скобок: \"{inputs}\" на сбалансированность. В случае положительного ответа выведите 1, иначе 0."

Создание датасета

Последовательности скобок c длинами: 2, 4, 8, 12, 20 были сгенерированы со следующим распределением:

— {20: 0.336; 12: 0.26; 8: 0.24; 4: 0.14; 2: 0.024} для обучающего набора;

— {20: 0.301; 12: 0.279;  8: 0.273, 4: 0.121; 2: 0.026} для тестового набора.

Человеческая оценка

Человеческая оценка замерялась на подмножестве размера 100 (с аналогичным распределением как в исходном сете). Результат на этой задаче равен 1.0

Домены
Компьютерные науки
Статистика
dev: 250
test: 1000