feat(bench): add LEK (Lekarski Egzamin Końcowy) MCQ loader

[bartoszkobylinski]

Co to dodaje

Nowy natywnie polski benchmark MCQ — LEK (Lekarski Egzamin Końcowy) — jako loader load_lek w bench/bench_mcq.py (zadanie #4 „Dodaj loader MCQ").

Źródło: amu-cai/medical-exams-LEK-PL-2008-2024 (pierwotnie CEM).

• 4312 pytań, natywnie PL, publiczny + ungated, 5 opcji A–E
• gold zbalansowany: A=773 / B=847 / C=918 / D=896 / E=878
• mapuje się 1:1 jak load_pes (opcje wklejone w treść pytania + gold z litery) → zero nowej maszynerii w harnessie
• zarejestrowany jako bench "lek" (lang pl), dopisany do listy w docstringu modułu

Testy

Nowy plik tests/test_bench_mcq.py (pytest jako dev-dependency w pyproject.toml):

• 9 testów offline — datasets.load_dataset jest monkeypatchowane, więc działają bez sieci / w CI (mapowanie liter→indeks, normalizacja wielkości/spacji, odrzucanie złych etykiet i pustych pytań, kontrakt itemu, próbkowanie, determinizm seeda, rejestracja w BENCHES)
• 1 test live bramkowany RUN_HF_TESTS=1 — potwierdza 4312 wierszy i rozkład gold

.venv/bin/python -m pytest                          # offline (CI-safe)
RUN_HF_TESTS=1 .venv/bin/python -m pytest -k live   # + sieć vs HF

Katalog

Wpis lek w public/data/benchmarks.json (źródło prawdy dla /bench-explorer) oraz public/data/datasety.json i wiersz na stronie /datasety.

Transparentność (do oceny przez maintainerów)

• Licencja: w karcie HF brak zadeklarowanej licencji (license=None), źródło CEM — ta sama postawa co już zaakceptowany pes. Odnotowane w polu uwagi_review.
• Domena: medyczna, jak pes, ale to inny egzamin — LEK = ogólny egzamin końcowy lekarza (licencyjny), PES = egzamin specjalizacyjny. Nie jest to trywialny wariant istniejącego benchu.

Wybór i powyższe zastrzeżenia zgłoszone wcześniej na Discordzie (#4).

[vercel]

@bartoszkobylinski is attempting to deploy a commit to the kwikiel's projects Team on Vercel.

A member of the Team first needs to authorize it.

[xfaang-ci]

🤖 Automated code review (Xavier / Xfaang), requested by @zientara in #tasks. Read-only analysis — findings for you to weigh.

Verdict: APPROVE WITH NITS — solid, well-scoped. Mirrors load_pes, the gold-index mapping is correct, tests are good.

Gold / answer index mapping — VERIFIED CORRECT (this is the #20 footgun): bench/bench_mcq.py:53 L2I = {c:i for i,c in enumerate("ABCDE")} → 0-based. Cross-checked vs the live dataset: answer is a single letter A–E (row 0 = "E" → gold 4), options pre-embedded in question_w_options. The eval path parse_letter does ord(letter)-65, so predicted and gold are in the same 0-based space. No off-by-one (unlike INCLUDE in #20, which did int(a)-1).

Findings (all nits, non-blocking):

• bench_mcq.py:62 — load_lek's guard if lab in L2I and q and q.strip(): is actually stricter than load_pes's; consider back-porting the whitespace check to load_pes for parity.
• decontamination/dedup unaudited — LEK 2008–2024 is public CEM material with likely overlap with Polish web/medical corpora, and CEM items repeat year-to-year (possible exact dups across editions). load_pes doesn't dedup either, so not a blocker, but worth running decon_audit.py against the training mix before treating LEK as a clean signal, and noting it in uwagi_review.
• determinism — sample_strat seeds random and is tested; loader pins no dataset revision= (consistent with sibling loaders, optional hardening).
• tests — offline fixture returns a plain list rather than a real HF Dataset; the gated live test (RUN_HF_TESTS=1) with the exact gold distribution compensates well.
• catalog — benchmarks.json marks status:"verified" + licencja:"publiczny" while uwagi_review notes the HF card declares no license. Matches the accepted pes posture, but the CEM-copyright/“verified” call is a maintainer decision (@kwikiel).

Registration in BENCHES and both catalog JSONs is consistent. Safe to approve once the license posture is confirmed.