evalstone/evalscope/docs/zh/benchmarks/math_vision.md

MathVision

概述

MATH-Vision（MATH-V）是一个精心整理的数据集，包含3,040道高质量的数学问题，这些问题均来自真实的数学竞赛，并配有视觉上下文（如图表、图形等），用于评估多模态环境下的数学推理能力。

任务描述

• 任务类型：视觉数学推理
• 输入：带有视觉上下文（图示、图形、图表）的数学问题
• 输出：数值答案或选项字母
• 领域：包含视觉元素的竞赛数学

主要特点

• 问题源自真实的数学竞赛
• 包含3,040道高质量、带视觉上下文的问题
• 划分为五个难度等级（1-5），便于细粒度分析
• 支持多项选择题和自由作答两种形式
• 提供详细的参考解答

评估说明

• 默认使用 test 数据划分进行评估
• 按难度划分子集：level 1 至 level 5
• 主要评估指标：准确率（Accuracy），采用数值比较方式
• 自由作答题答案需使用 \boxed{} 格式（不含单位）
• 多项选择题采用思维链（CoT）提示，答案为选项字母

属性

属性	值
基准测试名称	math_vision
数据集ID	evalscope/MathVision
论文	N/A
标签	MCQ, Math, MultiModal, Reasoning
指标	acc
默认示例数	0-shot
评估划分	test

数据统计

指标	值
总样本数	3,040
提示词长度（平均）	423.91 字符
提示词长度（最小/最大）	93 / 1581 字符

各子集统计信息：

子集	样本数	提示平均长度	提示最小长度	提示最大长度
level 1	237	357.8	133	854
level 2	738	397.17	127	885
level 3	551	433.46	93	1402
level 4	830	434.51	134	946
level 5	684	455.12	129	1581

图像统计信息：

指标	值
图像总数	3,040
每样本图像数	最小: 1, 最大: 1, 平均: 1
分辨率范围	54x40 - 2520x8526
图像格式	jpeg

样例示例

子集: level 1

{
  "input": [
    {
      "id": "606d1e5a",
      "content": [
        {
          "text": "Answer the following multiple choice question. The last line of your response should be of the following format: 'ANSWER: [LETTER]' (without quotes) where [LETTER] is one of A,B,C,D,E. Think step by step before answering.\n\nWhich kite has the longest string?\n<image1>\n\nA) A\nB) B\nC) C\nD) D\nE) E"
        },
        {
          "image": "[BASE64_IMAGE: jpg, ~38.6KB]"
        }
      ]
    }
  ],
  "choices": [
    "A",
    "B",
    "C",
    "D",
    "E"
  ],
  "target": "C",
  "id": 0,
  "group_id": 0,
  "subset_key": "level 1",
  "metadata": {
    "id": "3",
    "image": "images/3.jpg",
    "solution": null,
    "level": 1,
    "question_type": "multi_choice",
    "subject": "metric geometry - length"
  }
}

提示模板

提示模板：

{question}
Please reason step by step, and put your final answer within \boxed{{}} without units.

使用方法

使用命令行（CLI）

evalscope eval \
    --model YOUR_MODEL \
    --api-url OPENAI_API_COMPAT_URL \
    --api-key EMPTY_TOKEN \
    --datasets math_vision \
    --limit 10  # 正式评估时请删除此行

使用 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=['math_vision'],
    dataset_args={
        'math_vision': {
            # subset_list: ['level 1', 'level 2', 'level 3']  # 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)