• 数据集
• 人工智能

BEV Decision Mix（bev-decision）是一个面向有界决策模型训练的英文决策数据集，numeric_temporal配置专门覆盖时区换算、时间跨度、保修窗口、按比例分摊（proration）、单位换算这类"时间与数字"题目。本文将带你拆解其中43 种计算题的构建原理：它们如何被程序化生成、标签如何保证 100% 可验证，以及测试集为何能真正考察"没见过模板"的泛化能力。

numeric_temporal 配置全景：19,806 行数据怎么来的

打开 README.md 的 Additional configs 一节可以看到，numeric_temporal由五个来源拼成，数据文件位于 numeric_temporal/train.parquet 和 numeric_temporal/test.parquet：

整个配置的题型分布为18,004 道 CHOICE（单选）、17,204 道 NOUL（是/否判断）、4,158 道 SCORE（有序量表打分），训练集 16,477 行，测试集 3,329 行，与全项目共享统一的五列结构（state、questions_json、domain、question_types、question_count）。

一句话总结定位：这个配置训练的不是"会聊天"的模型，而是能把带时间限定词和数字的输入压成一个有界答案（选一个选项、判一个布尔、打一个有序分）的模型。

43 种计算题的构建原理：生成器 × 模板渲染

这是本配置最有"工程味"的部分，也是标题里 43 的来源。

172 个组合 = 43 种计算类型 × 4 种渲染风格

README 的 Caveats 一节透露了一个关键数字：172 个"计算类型/渲染组合"。它的构成可以这样理解：

• 43 种计算类型：时区换算、时间跨度、保修窗口、按比例分摊、算术、单位换算、时间限定事实等（详见配置 Focus 描述）；
• 4 种渲染风格：短、中、长三档模板 + 模型自由写作（free-form messages）。

43 × 4 = 172，正好对上。每个计算类型都被渲染成不同长度、不同口吻的题干，让模型学到的是"计算关系"而不是"模板腔"。

28 个组合只在测试集出现：这才是真正的泛化测试

172 个组合中有 28 个是 test-only（只在测试集出现）。也就是说，模型在训练时从没见过这 28 种"计算类型 × 渲染风格"的搭配，测试时却要答对它们。

这比"同分布测试"严格得多：它衡量的是模型能否把学会的时间/数值推理规则迁移到全新表述上，而不是背模板。📊

标签从哪来？——程序算的，模型只动嘴不动笔

这一点是理解"构建原理"的核心。README 明确写道：

Inhard_50kandnumeric_temporal, labels come from source annotations, executed programs,time-zone computation (IANA tz database), or rules evaluated in code.

• 时区题：答案由 IANA 时区数据库（tz database）计算得出，不是人估的；
• 算术/换算/分摊题：由执行过的程序和代码里求值的规则产生标签；
• GPT-6 Luna 的角色：它只在 3,997 行中负责"把题目改写成自然语言"，从未参与打标签。它的每一行输出都要通过两层关卡——确定性程序校验 + 独立模型质检，不合格的整行丢弃。

简单说：模型只负责把题"说人话"，答案永远来自可重算的代码。这保证了这道题算出的数，你和程序算出的数一定一致。

三种决策类型如何包装数值计算

numeric_temporal里的每一行都遵循 BEV Decision Mix 统一的 JEV 风格契约（CHOICE/NOUL/SCORE），对应到数值场景就是：

注意 README 的提醒：SCORE 标签是序数目标，不是校准过的概率，也不是自由数值回归。做 FinQA/TAT-QA 类"精确值"题时，答案是程序执行出来的数，但打分本身仍落在有界量表上——这正是"bounded decision（有界决策）"训练范式的精髓。

上手建议与必须知道的注意事项

加载方式

数据与项目内其他配置一样走标准 datasets 接口：

from datasets import load_dataset numeric = load_dataset("avbiswas/bev-decision", "numeric_temporal") example = numeric["train"][0]

如果习惯直接拉仓库文件，仓库地址为https://gitcode.com/hf_mirrors/avbiswas/bev-decision，numeric_temporal配置对应其中的 numeric_temporal/ 目录。

使用前的 4 个提醒（来自 README Caveats）

• FinQA 与 TAT-QA 的 dev 集被用于训练——如果你要在这两个公开基准上评测，先检查记录级重叠；
• TimeQA 的"错误时段"判定假设其标注答案是完备的；
• 生成器行共享同一套"模板文风"，模型可能学会的是文风而非推理，测试集的 28 个 test-only 组合正是为此设计的"照妖镜"；
• 项目没有统一的打包许可证（license: unknown），二次分发或商用前请核对各上游来源（TimeQA 为 BSD-3-Clause 等）的条款。

小结

numeric_temporal的构建思路可以浓缩成三句话：

1. 题目程序化生成：43 种计算类型 × 4 种渲染 = 172 个组合，题干有短有长、有模板有口语；
2. 标签代码化验证：IANA 时区库 + 执行程序 + 代码求值规则，模型只改文字不碰标签；
3. 测试集防背题：28 个 test-only 组合确保测的是"迁移能力"。

对想训练数值/时间推理能力的模型来说，这是 BEV Decision Mix 五个配置中最"硬核"的一块。

• 数据集
• 人工智能