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

MIA-Bench

概述

MIA-Bench 是一个多模态指令遵循基准测试，旨在评估视觉-语言模型在图像基础上遵循复杂、组合式指令的能力。每个样本包含一张图像和一条多组件指令，模型的响应由大语言模型（LLM）评委按组件分别打分。

任务描述

• 任务类型：多模态指令遵循
• 输入：图像 + 多组件指令
• 输出：自由格式的回答，需满足所有指令组件的要求
• 领域：视觉理解、指令遵循、语言生成

主要特点

• 包含 400 个测试样本，涵盖从基础到高级的多样化指令类型
• 每条指令被分解为 1–5 个评分组件，并配有加权分数
• 组件类型包括：描述（describe）、长度限制（length_limit）、语言学要求（linguistics）、格式（format）等
• 采用 LLM 作为评委进行评分：评委独立评估每个组件，并给出加权总分（0–10 分范围，归一化至 0–1）
• 无预设参考答案；评分完全依赖评委判断

评估说明

• 默认使用 test 划分进行评估（400 个样本）
• 主要指标：total_score（各样本归一化后 0–1 总分的平均值）
• 需配置一个能力强的 LLM 评委（例如 GPT-4o、Qwen-Max），通过 judge_model_args 设置
• 评委策略应设置为 JudgeStrategy.LLM

属性

属性	值
基准测试名称	mia_bench
数据集ID	lmms-lab/MIA-Bench
论文	N/A
标签	InstructionFollowing, MultiModal, QA
指标	total_score
默认示例数量	0-shot
评估划分	test

数据统计

指标	值
总样本数	400
提示词长度（平均）	137.81 字符
提示词长度（最小/最大）	34 / 327 字符

图像统计信息：

指标	值
总图像数	400
每样本图像数	最小: 1, 最大: 1, 平均: 1
分辨率范围	135x240 - 3264x4928
格式	jpeg, mpo, webp

样例示例

子集: default

{
  "input": [
    {
      "id": "9156e81c",
      "content": [
        {
          "image": "[BASE64_IMAGE: jpeg, ~195.9KB]"
        },
        {
          "text": "Explain the activity taking place in the image using exactly two sentences, including one metaphor."
        }
      ]
    }
  ],
  "target": "",
  "id": 0,
  "group_id": 0,
  "metadata": {
    "instruction": "Explain the activity taking place in the image using exactly two sentences, including one metaphor.",
    "type": "advanced",
    "num_of_component": 3,
    "components": [
      "Explain the activity taking place in the image",
      "using exactly two sentences",
      "including one metaphor"
    ],
    "component_weight": [
      4,
      3,
      3
    ],
    "component_type": [
      "describe",
      "length_limit",
      "linguistics"
    ]
  }
}

提示模板

未定义提示模板。

使用方法

使用 CLI

evalscope eval \
    --model YOUR_MODEL \
    --api-url OPENAI_API_COMPAT_URL \
    --api-key EMPTY_TOKEN \
    --datasets mia_bench \
    --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=['mia_bench'],
    limit=10,  # 正式评估时请删除此行
)

run_task(task_cfg=task_cfg)