Task1（附代码解析）

从零入门 AI 逻辑推理“AI+逻辑推理”方向

包含了

赛题分析大模型技术基础方案传统机器学习解题思路

（btw，抱着尝试的心态来看task1，以为很难，但是教程可以说是保姆级别的，一步一步的操作下来可以说是很丝滑，生成结果的时候花了较长的时间，得分并不是很高，但整体的感觉还是很棒的）

启动魔塔Notebook!

新用户可能需要先开通灵积模型服务，申领大模型API

不需要选择GPU和CPU，选择默认的即可

30 分钟体验一站式 baseline！

下载代码及测试集，导入并填写阿里云申请的API-KEY，一键跑通代码

下载结果文件，提交文件，拿下第一个分数！

代码解析 

库文件的下载 

引用大部分文件作多进程处理异步任务执行日记记录，http请求，json处理，模型名称的定义等多项内容

api_retry函数用于调用自己编写的call_qwen_api函数（该函数用于调用一个名为 dashscope.Generation 的 API 来生成文本）时增加了一个重试机制，这意味着在调用 API 失败时，函数会自动重试最多 3 次，每次重试间隔 3 秒。

接下来是大模型常用的prompt提示词工程，作用是通过下的定义生成一个逻辑推理的问题的提示prompt。

这个函数接受三个参数：题目problem（用于展示逻辑推理问题的背景或者情景)，问题question（主要针对问题里的具体问题是什么）和 options（问题的多个选项，通常是列表式形式）。

需要注意的是：\n 是将列表的选项转换成字符串的形式，在每个选项前加一个abcdefg，并用换行符进行分割，也就是说可以将文字形式转换为电脑可读的形式。

处理过程

定义了process_datas函数，用于处理数据集，并使用多线程任务处理任务，每一个数据是一项字典，包含problem和多个question，函数通过调用API来获取问题的答案，并将最后的结果存储在返回的列表中。

文件的读取和操作

读取输入文件和设置输出文件的路径 ，检查文件是否是空的，检查输出文件是否存在。

如果存在不需要做任何操作，直接pass掉；如果不存在，那么进行下面的操作，首先定义空列表用于存储输入文件中读取的数据，之后打开输入文件，确保文件在使用后能正确关闭，之后循环读取文件中的内容，将每行数据转换为json可读文件（json对象），添加到data的列表中去，接下来处理数据。

 ifn是输入的文件的文件名，ofn是处理后的数据保存到输出文件中

评估模型在处理任务中的主要表现

这里主要注意这三个的作用

初始化计数器

pse主要用于记录是否包含MODEL_NAME键样本数量

cnt主要用于记录模型正确回答问题的数量

tot主要用于记录总的问题数量

之后遍历数据并计算准确率，然后输出结果，print一下

主要函数

主要用于提取文本中的特定信息，调用main函数传入两个文件作为参数（当然输出的就是这两个文件）最后的upload.json1就是我们要提交的最终文件

第一行代码是python中比较常见的语句，主要用于判断当前脚本是否可以作为主程序进行运行，如果是，就执行下面的代码

（注意这里，每个人生成的所需时间不同，需要耐心等待）

find_missing_ids

构造find_missing_ids函数，作用是寻找列表中缺失的序号，具体来说就是从我们的结果列表中提取出所有序号，和完整序号进行比较，去查找结果序号中缺失的部分并打印

这部分的代码还是较好理解的，用于数据完整性的检查，特别是有序数据的时候，确保所有的预期数据都存在。

通过这段代码的实现可以看出缺失的序号，证明前面的代码有需要迭代更新的工作（

总结

整体还是丝滑的，直播的讲解也很详细，学到了很多

关于分数

在find_missing_ids函数部分，会发现缺失了13个序号，说明之前的代码需要迭代更新。没处理的数据可以在后处理进行调整，这样可以提高一点分数。

源码中的思路是缺失的问题补充上答案A，要做到更好的话可以再多写一段代码，比如将答案缺失的数据重新整理为新的数据集等，保证每一个问题的答案都根据语言模型给出了 ，就可以得到更高的分数。

大模型会有幻觉，有时候不能按照要求输出，用已给的函数没办法提取出答案，就missing了。我们可以对这个没提取出来的样本继续重新调用api获得答案，也可以直接用默认值填充。

（排行榜的高分可能是优化了算法跑的，改prompt等）

综上，谢谢大家！