13274243a0
Keep K3 suite selection and report-schema scoring in bash, merge K3/vision dataset_args into dpv4 yamls, and pin EvalScope at 735d920ee911 with local patches. Co-authored-by: Cursor <cursoragent@cursor.com>
143 lines
4.2 KiB
Markdown
143 lines
4.2 KiB
Markdown
# MeasureBench
|
||
|
||
|
||
## 概述
|
||
|
||
MeasureBench 是一个全面的基准测试，用于评估视觉语言模型（VLMs）从测量仪器中读取数值的能力。它涵盖了 **真实世界照片** 和 **合成生成图像** 两大类，包含 4 种设计类别下的 26 种仪器类型。
|
||
|
||
## 任务描述
|
||
|
||
- **任务类型**：开放式视觉问答（仪器读数）
|
||
- **输入**：一张测量仪器的图像 + 一个读数问题
|
||
- **输出**：仪器当前的读数（数值或时间，带单位）
|
||
- **领域**：电流表、时钟、温度计、秤、速度表等共 26 种仪器类型
|
||
|
||
## 主要特性
|
||
|
||
- 总计 2,442 个样本，分为两个子集：real_world（1,272）和 synthetic_test（1,170）
|
||
- 26 种仪器类型，4 种设计类别（表盘式、数字式、模拟式、线性式）
|
||
- 接受围绕正确值的一个容差区间，而非要求完全精确匹配
|
||
- 对于时钟：通过多个有效区间处理 12 小时制与 24 小时制的歧义
|
||
- 单位识别与数值准确性分别进行评估
|
||
|
||
## 评估说明
|
||
|
||
- 默认子集：**real_world** 和 **synthetic_test**（视为独立子集）
|
||
- 主要指标：**Accuracy**（`accuracy`）—— ``all_correct``：数值 *和* 单位均正确
|
||
- 次要指标：**number_acc**（仅数值）、**unit_acc**（仅单位）
|
||
- 两种评估器：``interval_matching``（单一有效范围）和 ``multi_interval_matching``（例如时钟的上午/下午）
|
||
- 模型输出应在最后一行采用格式 ``Answer: <value> <unit>``
|
||
- 每个样本的元数据中记录了 ``image_type``；按类型划分的结果可在评审文件的 ``subset_key`` 列中查看，但无法通过 ``subset_list`` 单独选择
|
||
- [论文](https://arxiv.org/abs/2510.26865) | [GitHub](https://github.com/flageval-baai/MeasureBench)
|
||
|
||
|
||
## 属性
|
||
|
||
| 属性 | 值 |
|
||
|----------|-------|
|
||
| **基准测试名称** | `measure_bench` |
|
||
| **数据集ID** | [evalscope/MeasureBench](https://modelscope.cn/datasets/evalscope/MeasureBench/summary) |
|
||
| **论文** | [Paper](https://arxiv.org/abs/2510.26865) |
|
||
| **标签** | `MultiModal`, `QA`, `Reasoning` |
|
||
| **指标** | `accuracy`, `number_acc`, `unit_acc` |
|
||
| **默认示例数** | 0-shot |
|
||
| **评估子集** | `real_world` |
|
||
|
||
|
||
## 数据统计
|
||
|
||
| 指标 | 值 |
|
||
|--------|-------|
|
||
| 总样本数 | 2,442 |
|
||
| 提示词长度（平均） | 150.9 字符 |
|
||
| 提示词长度（最小/最大） | 126 / 215 字符 |
|
||
|
||
**各子集统计：**
|
||
|
||
| 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 |
|
||
|--------|---------|-------------|------------|------------|
|
||
| `real_world` | 1,272 | 153.83 | 131 | 215 |
|
||
| `synthetic_test` | 1,170 | 147.71 | 126 | 192 |
|
||
|
||
**图像统计：**
|
||
|
||
| 指标 | 值 |
|
||
|--------|-------|
|
||
| 图像总数 | 2,442 |
|
||
| 每样本图像数 | 最小: 1, 最大: 1, 平均: 1 |
|
||
| 分辨率范围 | 108x79 - 3025x1599 |
|
||
| 格式 | jpeg, png |
|
||
|
||
|
||
## 样例示例
|
||
|
||
**子集**: `real_world`
|
||
|
||
```json
|
||
{
|
||
"input": [
|
||
{
|
||
"id": "1341f508",
|
||
"content": [
|
||
{
|
||
"image": "[BASE64_IMAGE: jpeg, ~75.8KB]"
|
||
},
|
||
{
|
||
"text": "What is the reading of the instrument?\nProvide your final answer on the last line in the format: Answer: <value> <unit>. For example: Answer: 42.5 A"
|
||
}
|
||
]
|
||
}
|
||
],
|
||
"target": "",
|
||
"id": 0,
|
||
"group_id": 0,
|
||
"subset_key": "ammeter",
|
||
"metadata": {
|
||
"question_id": "ammeter_0",
|
||
"image_type": "ammeter",
|
||
"design": "dial",
|
||
"evaluator": "interval_matching",
|
||
"evaluator_kwargs": "{\"interval\": [9.5, 9.7], \"units\": [\"A\", \"Ampere\"]}"
|
||
}
|
||
}
|
||
```
|
||
|
||
## 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 measure_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=['measure_bench'],
|
||
dataset_args={
|
||
'measure_bench': {
|
||
# subset_list: ['real_world', 'synthetic_test'] # 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)
|
||
```
|