133 lines
3.3 KiB
Markdown
133 lines
3.3 KiB
Markdown
# HallusionBench
|
||
|
||
## 概述
|
||
|
||
HallusionBench 是一个高级诊断基准测试，旨在评估大视觉语言模型（LVLMs）的图像上下文推理能力，并检测其产生幻觉的倾向。该基准特别测试模型在语言幻觉和视觉错觉方面的敏感性。
|
||
|
||
## 任务描述
|
||
|
||
- **任务类型**：幻觉检测与视觉推理
|
||
- **输入**：图像 + 关于图像内容的是/否问题
|
||
- **输出**：YES 或 NO 答案
|
||
- **领域**：幻觉检测、视觉推理、事实准确性
|
||
|
||
## 主要特点
|
||
|
||
- 专门设计用于探测幻觉行为
|
||
- 同时测试语言幻觉和视觉错觉
|
||
- 按类别和子类别组织，便于详细分析
|
||
- 使用分组准确率指标进行稳健评估
|
||
- 问题要求精确的图像上下文推理
|
||
|
||
## 评估说明
|
||
|
||
- 默认评估使用 **image** 切分
|
||
- 多种准确率指标：
|
||
- **aAcc**：答案级准确率（每题）
|
||
- **fAcc**：图像级准确率（每张图像的所有问题均正确）
|
||
- **qAcc**：问题级准确率（按问题类型分组）
|
||
- 要求仅输出 YES/NO，无需解释
|
||
- 在子类别、类别和整体层面进行聚合
|
||
|
||
## 属性
|
||
|
||
| 属性 | 值 |
|
||
|----------|-------|
|
||
| **基准测试名称** | `hallusion_bench` |
|
||
| **数据集ID** | [lmms-lab/HallusionBench](https://modelscope.cn/datasets/lmms-lab/HallusionBench/summary) |
|
||
| **论文** | N/A |
|
||
| **标签** | `Hallucination`, `MultiModal`, `Yes/No` |
|
||
| **指标** | `aAcc`, `qAcc`, `fAcc` |
|
||
| **默认示例数** | 0-shot |
|
||
| **评估切分** | `image` |
|
||
| **聚合方式** | `f1` |
|
||
|
||
## 数据统计
|
||
|
||
| 指标 | 值 |
|
||
|--------|-------|
|
||
| 总样本数 | 951 |
|
||
| 提示词长度（平均） | 136.78 字符 |
|
||
| 提示词长度（最小/最大） | 76 / 292 字符 |
|
||
|
||
**图像统计：**
|
||
|
||
| 指标 | 值 |
|
||
|--------|-------|
|
||
| 总图像数 | 951 |
|
||
| 每样本图像数 | 最小: 1, 最大: 1, 平均: 1 |
|
||
| 分辨率范围 | 388x56 - 5291x4536 |
|
||
| 格式 | png |
|
||
|
||
## 样例示例
|
||
|
||
**子集**: `default`
|
||
|
||
```json
|
||
{
|
||
"input": [
|
||
{
|
||
"id": "ba75d669",
|
||
"content": [
|
||
{
|
||
"text": "Is China, Hongkong SAR, the leading importing country of gold, silverware, and jewelry with the highest import value in 2018?\nPlease answer YES or NO without an explanation."
|
||
},
|
||
{
|
||
"image": "[BASE64_IMAGE: png, ~143.0KB]"
|
||
}
|
||
]
|
||
}
|
||
],
|
||
"target": "NO",
|
||
"id": 0,
|
||
"group_id": 0,
|
||
"metadata": {
|
||
"category": "VS",
|
||
"subcategory": "chart",
|
||
"visual_input": "1",
|
||
"set_id": "0",
|
||
"figure_id": "1",
|
||
"question_id": "0",
|
||
"gt_answer": "0",
|
||
"gt_answer_details": "Switzerland is the leading importing country of gold, silverware, and jewelry with the highest import value in 2018?"
|
||
}
|
||
}
|
||
```
|
||
|
||
## 提示模板
|
||
|
||
**提示模板：**
|
||
```text
|
||
{question}
|
||
Please answer YES or NO without an explanation.
|
||
```
|
||
|
||
## 使用方法
|
||
|
||
### 使用 CLI
|
||
|
||
```bash
|
||
evalscope eval \
|
||
--model YOUR_MODEL \
|
||
--api-url OPENAI_API_COMPAT_URL \
|
||
--api-key EMPTY_TOKEN \
|
||
--datasets hallusion_bench \
|
||
--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=['hallusion_bench'],
|
||
limit=10, # 正式评估时请删除此行
|
||
)
|
||
|
||
run_task(task_cfg=task_cfg)
|
||
``` |