150 lines
4.6 KiB
Markdown
150 lines
4.6 KiB
Markdown
# MMBench
|
||
|
||
|
||
## 概述
|
||
|
||
MMBench 是一个系统性设计的基准测试，用于在 20 个细粒度能力维度上评估视觉-语言模型。它采用了一种新颖的 CircularEval 策略，并提供英文和中文两个版本，以支持跨语言评估。
|
||
|
||
## 任务描述
|
||
|
||
- **任务类型**：视觉多选问答（Visual Multiple-Choice Q&A）
|
||
- **输入**：包含问题和 2–4 个选项的图像
|
||
- **输出**：单个正确答案字母（A、B、C 或 D）
|
||
- **语言**：包含英文（en）和中文（cn）子集
|
||
|
||
## 主要特性
|
||
|
||
- 定义了 20 个细粒度能力维度
|
||
- 采用 CircularEval 策略的系统化评估流程
|
||
- 支持双语（英文和中文）
|
||
- 问题中包含上下文提示（hints）
|
||
- 考察感知、推理和知识能力
|
||
|
||
## 评估说明
|
||
|
||
- 默认配置使用 **0-shot** 评估
|
||
- 使用思维链（Chain-of-Thought, CoT）提示
|
||
- 在开发集（dev split）上进行评估
|
||
- 包含两个子集：`cn`（中文）和 `en`（英文）
|
||
- 结果包含按类别划分的详细指标
|
||
|
||
## 属性
|
||
|
||
| 属性 | 值 |
|
||
|----------|-------|
|
||
| **基准测试名称** | `mm_bench` |
|
||
| **数据集 ID** | [lmms-lab/MMBench](https://modelscope.cn/datasets/lmms-lab/MMBench/summary) |
|
||
| **论文** | N/A |
|
||
| **标签** | `Knowledge`, `MultiModal`, `QA` |
|
||
| **指标** | `acc` |
|
||
| **默认示例数** | 0-shot |
|
||
| **评估分割** | `dev` |
|
||
|
||
|
||
## 数据统计
|
||
|
||
| 指标 | 值 |
|
||
|--------|-------|
|
||
| 总样本数 | 8,658 |
|
||
| 提示词长度（平均） | 372.3 字符 |
|
||
| 提示词长度（最小/最大） | 241 / 2395 字符 |
|
||
|
||
**各子集统计数据：**
|
||
|
||
| 子集 | 样本数 | 提示平均长度 | 提示最小长度 | 提示最大长度 |
|
||
|--------|---------|-------------|------------|------------|
|
||
| `cn` | 4,329 | 312.28 | 241 | 1681 |
|
||
| `en` | 4,329 | 432.33 | 256 | 2395 |
|
||
|
||
**图像统计数据：**
|
||
|
||
| 指标 | 值 |
|
||
|--------|-------|
|
||
| 总图像数 | 8,658 |
|
||
| 每样本图像数 | 最小: 1, 最大: 1, 平均: 1 |
|
||
| 分辨率范围 | 106x56 - 512x512 |
|
||
| 格式 | jpeg |
|
||
|
||
|
||
## 样例示例
|
||
|
||
**子集**: `cn`
|
||
|
||
```json
|
||
{
|
||
"input": [
|
||
{
|
||
"id": "00b49734",
|
||
"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. Think step by step before answering.\n\n下面的文章描述了一个实验。阅读文章，然后按照以下说明进行操作。\n\nMadelyn在雪板的底部涂上了一层薄蜡，然后直接下坡滑行。然后，她去掉了蜡，再次直接下坡滑行。她重复了这个过程四次，每次都交替使用薄蜡或不使用薄蜡滑行。她的朋友Tucker计时每次滑行的时间。Madelyn和Tucker计算了使用薄蜡滑行和不使用薄蜡滑行时直接下坡所需的平均时间。\n图：滑雪板下坡。麦德琳和塔克的实验能最好回答哪个问题？\n\nA) 当麦德琳的雪板上有一层薄蜡或一层厚蜡时，它是否能在较短的时间内滑下山坡？\nB) 当麦德琳的雪板上有一层蜡或没有蜡时，它是否能在较短的时间内滑下山坡？"
|
||
},
|
||
{
|
||
"image": "[BASE64_IMAGE: jpeg, ~11.7KB]"
|
||
}
|
||
]
|
||
}
|
||
],
|
||
"choices": [
|
||
"当麦德琳的雪板上有一层薄蜡或一层厚蜡时，它是否能在较短的时间内滑下山坡？",
|
||
"当麦德琳的雪板上有一层蜡或没有蜡时，它是否能在较短的时间内滑下山坡？"
|
||
],
|
||
"target": "B",
|
||
"id": 0,
|
||
"group_id": 0,
|
||
"metadata": {
|
||
"index": 241,
|
||
"category": "identity_reasoning",
|
||
"source": "scienceqa",
|
||
"L2-category": "attribute_reasoning",
|
||
"comment": "nan",
|
||
"split": "dev"
|
||
}
|
||
}
|
||
```
|
||
|
||
## 提示模板
|
||
|
||
**提示模板：**
|
||
```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 {letters}. Think step by step before answering.
|
||
|
||
{question}
|
||
|
||
{choices}
|
||
```
|
||
|
||
## 使用方法
|
||
|
||
### 使用命令行（CLI）
|
||
|
||
```bash
|
||
evalscope eval \
|
||
--model YOUR_MODEL \
|
||
--api-url OPENAI_API_COMPAT_URL \
|
||
--api-key EMPTY_TOKEN \
|
||
--datasets mm_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=['mm_bench'],
|
||
dataset_args={
|
||
'mm_bench': {
|
||
# subset_list: ['cn', 'en'] # 可选，用于指定评估特定子集
|
||
}
|
||
},
|
||
limit=10, # 正式评估时请删除此行
|
||
)
|
||
|
||
run_task(task_cfg=task_cfg)
|
||
``` |