143 lines
4.1 KiB
Markdown
143 lines
4.1 KiB
Markdown
# CharXiv
|
||
|
||
|
||
## 概述
|
||
|
||
CharXiv 是 NeurIPS 2024 提出的一个全面的图表理解基准测试，用于评估多模态大语言模型在来自 arXiv 论文的真实科学图表上的表现。该基准同时考察模型对图表元素的低层次感知能力（描述性任务）和对图表数据的高层次推理能力。
|
||
|
||
## 任务描述
|
||
|
||
- **任务类型**：图表理解（描述性 + 推理性）
|
||
- **输入**：科学图表图像 + 问题
|
||
- **输出**：自由格式文本答案
|
||
- **领域**：cs、physics、math、eess、q-bio、q-fin、stat、econ
|
||
|
||
## 主要特点
|
||
|
||
- 包含来自 8 个学科 arXiv 论文的 2,323 张真实科学图表
|
||
- 两种问题类型：
|
||
- **描述性**（每张图表 4 个）：基础元素识别（标题、坐标轴、图例、趋势等）
|
||
- **推理型**（每张图表 1 个）：需要综合数据进行高阶推理
|
||
- 19 种描述性问题模板，涵盖信息提取、枚举、模式识别、计数和组合性任务
|
||
- 4 种推理答案类型：图表内文本、通用文本、图表内数值、通用数值
|
||
- 验证集（1,000 张图表）和测试集（1,323 张图表）
|
||
- 依据官方 CharXiv 评分协议，通过 LLM 作为评判者进行评估
|
||
|
||
## 评估说明
|
||
|
||
- 默认评估使用 **验证集**（1,000 张图表，5,000 个问题）
|
||
- 每张图表生成 5 个样本：4 个描述性 + 1 个推理型
|
||
- 主要指标：通过 LLM-as-judge 计算的 **准确率（Accuracy）**
|
||
- 子集划分：`descriptive` 和 `reasoning`（也可按类别细分）
|
||
- 需配置 `judge_model_args` 以指定 LLM 评判模型
|
||
- [论文](https://arxiv.org/abs/2406.18521) | [GitHub](https://github.com/princeton-nlp/CharXiv)
|
||
|
||
|
||
## 属性
|
||
|
||
| 属性 | 值 |
|
||
|----------|-------|
|
||
| **基准测试名称** | `charxiv` |
|
||
| **数据集ID** | [princeton-nlp/CharXiv](https://modelscope.cn/datasets/princeton-nlp/CharXiv/summary) |
|
||
| **论文** | [Paper](https://arxiv.org/abs/2406.18521) |
|
||
| **标签** | `MultiModal`, `QA`, `Reasoning` |
|
||
| **指标** | `acc` |
|
||
| **默认示例数量** | 0-shot |
|
||
| **评估划分** | `validation` |
|
||
|
||
|
||
## 数据统计
|
||
|
||
| 指标 | 值 |
|
||
|--------|-------|
|
||
| 总样本数 | 5,000 |
|
||
| 提示词长度（平均） | 276.24 字符 |
|
||
| 提示词长度（最小/最大） | 80 / 687 字符 |
|
||
|
||
**各子集统计数据：**
|
||
|
||
| 子集 | 样本数 | 提示词平均长度 | 提示词最小长度 | 提示词最大长度 |
|
||
|--------|---------|-------------|------------|------------|
|
||
| `descriptive` | 4,000 | 261.51 | 156 | 432 |
|
||
| `reasoning` | 1,000 | 335.14 | 80 | 687 |
|
||
|
||
**图像统计数据：**
|
||
|
||
| 指标 | 值 |
|
||
|--------|-------|
|
||
| 图像总数 | 5,000 |
|
||
| 每样本图像数 | 最小: 1, 最大: 1, 平均: 1 |
|
||
| 分辨率范围 | 1023x139 - 1024x1024 |
|
||
| 格式 | jpeg |
|
||
|
||
|
||
## 样例示例
|
||
|
||
**子集**: `descriptive`
|
||
|
||
```json
|
||
{
|
||
"input": [
|
||
{
|
||
"id": "44ff5b8a",
|
||
"content": [
|
||
{
|
||
"image": "[BASE64_IMAGE: jpeg, ~70.0KB]"
|
||
},
|
||
{
|
||
"text": "For the current plot, what is the spatially highest labeled tick on the y-axis?\n* Your final answer should be the tick value on the y-axis that is explicitly written. Ignore units or scales that are written separately from the tick."
|
||
}
|
||
]
|
||
}
|
||
],
|
||
"target": "60",
|
||
"id": 0,
|
||
"group_id": 0,
|
||
"subset_key": "descriptive",
|
||
"metadata": {
|
||
"question_type": "descriptive",
|
||
"question_id": 7,
|
||
"category": "cs",
|
||
"original_id": "2004.10956"
|
||
}
|
||
}
|
||
```
|
||
|
||
## 提示模板
|
||
|
||
*未定义提示模板。*
|
||
|
||
## 使用方法
|
||
|
||
### 使用 CLI
|
||
|
||
```bash
|
||
evalscope eval \
|
||
--model YOUR_MODEL \
|
||
--api-url OPENAI_API_COMPAT_URL \
|
||
--api-key EMPTY_TOKEN \
|
||
--datasets charxiv \
|
||
--limit 10 # 正式评估时请删除此行
|
||
```
|
||
|
||
### 使用 Python
|
||
|
||
```python
|
||
from evalscope import run_task
|
||
from evalscope.config import TaskConfig
|
||
|
||
task_cfg = TaskConfig(
|
||
model='YOUR_MODEL',
|
||
api_url='OPENAI_API_COMPAT_URL',
|
||
api_key='EMPTY_TOKEN',
|
||
datasets=['charxiv'],
|
||
dataset_args={
|
||
'charxiv': {
|
||
# subset_list: ['descriptive', 'reasoning'] # 可选，用于评估特定子集
|
||
}
|
||
},
|
||
limit=10, # 正式评估时请删除此行
|
||
)
|
||
|
||
run_task(task_cfg=task_cfg)
|
||
``` |