修复评估脚本(benchmark_eval.py)中的bug

[Emperorizzis]

首先非常感谢您的开源！

我在运行benchmark_eval.py脚本时，发现如下bug，并做了相应修复：

1. rouge.get_scores(Hypothesis, Reference)方法中，参数"Hypothesis"与"Reference"并不接受值仅为空格的字符串；

2. 评测集中golden_result_list变量为List[Dict]类型，例如：

   [{'golden_result': '2023年9月29日'},
   {'golden_result': '今年的中秋节是在2023年9月29日。'},
   {'golden_result': '今年的中秋节是阳历2023年9月29日。'},
   {'golden_result': '今年的中秋节是2023年9月29日。'},
   {'golden_result': '根据已知信息，2023年的中秋节是阳历的9月29日。'}]

   因此通过rouge.get_scores(Hypothesis, Reference)方法计算时，Reference应为label['golden_result'].

另外，我发现评估脚本中颠倒了Hypothesis与Reference的位置，但由于最终选取rouge的f值，故在此pr中并未修改。

最后非常期待训练集的开源！

[Vincentyua]

非常感谢关注项目！针对您提出两个bug，我查看代码后回复您的问题： 1、参数"Hypothesis"与"Reference"并不接受值仅为空格的字符串 我们的代码可以正常运行，get_scores不接受参数"Hypothesis"与"Reference"为空字符串，但是接受字符串为空格的字符串 2、Reference应为label['golden_result']的问题 您修改的代码前面部分，label_response_list这个变量经过append，本身就是包含string元素的label list，因此无需再改为label['golden_result']，具体可见代码的478和520行

十分感谢您对项目的关注和对代码的review，欢迎继续讨论😊

[Emperorizzis]

非常感谢关注项目！针对您提出两个bug，我查看代码后回复您的问题： 1、参数"Hypothesis"与"Reference"并不接受值仅为空格的字符串 我们的代码可以正常运行，get_scores不接受参数"Hypothesis"与"Reference"为空字符串，但是接受字符串为空格的字符串 2、Reference应为label['golden_result']的问题 您修改的代码前面部分，label_response_list这个变量经过append，本身就是包含string元素的label list，因此无需再改为label['golden_result']，具体可见代码的478和520行

十分感谢您对项目的关注和对代码的review，欢迎继续讨论😊

非常感谢您的回复！

针对您回复的两点： 1）我的rouge版本为1.0.1，如运行下述代码会报错： 情况1：Reference为空

from rouge import Rouge
rouge = Rouge()

rouge.get_scores('1 2 3 4 5', ' ')

报错： ValueError: Reference is empty.

情况2：Hypothesis为空

from rouge import Rouge
rouge = Rouge()

rouge.get_scores(' ', '1 2 3 4 5')

报错： ValueError: Hypothesis is empty.

2）感谢您的指正，但我发现repository中的benchmark_eval.py与huggingface中的benchmark_eval.py不一样，我使用的是后者的脚本，所以应该需要改正。

[Vincentyua]

问题1：在本地mac环境和物理机环境使用您提供的代码执行后，发现rouge包版本和您的版本一致的情况下，均可以正常运行 本地mac环境(python=3.11.5)

物理机环境(python=3.7.10) 问题2：对比发现确实huggingface的推理代码较github仓库少更新一次commit，目前已统一，感谢提醒！ 训练数据在近期就会开源，再次感谢您对项目的关注😄

[Emperorizzis]

问题1：在本地mac环境和物理机环境使用您提供的代码执行后，发现rouge包版本和您的版本一致的情况下，均可以正常运行 本地mac环境(python=3.11.5)

物理机环境(python=3.7.10) 问题2：对比发现确实huggingface的推理代码较github仓库少更新一次commit，目前已统一，感谢提醒！ 训练数据在近期就会开源，再次感谢您对项目的关注😄

问题1：我在物理机上使用与您相同的环境发现确实不报错了，应该是python版本的影响 (rouge=1.0.1时，python版本为3.7.5不报错，版本为3.10.13会报错)

感谢您的回复！

[Vincentyua]

感谢您的尝试！ 我在您的python版本上重新进行尝试，发现在python版本为3.10.13，rouge版本为1.0.1时运行以上代码并不会报错，推测是否您python为3.10.13的环境存在和rouge包冲突的其他包导致rouge包不能正常计算。

感谢您的关注！