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

POPE

概述

POPE（Polling-based Object Probing Evaluation）是一个专门用于评估大视觉语言模型（LVLMs）中物体幻觉现象的基准测试。它通过是非题（yes/no questions）来检验模型能否准确识别图像中存在的物体。

任务描述

• 任务类型：物体幻觉检测（是非问答）
• 输入：图像 + 问题 “图像中是否有 [物体]？”
• 输出：YES 或 NO
• 重点：衡量准确率与幻觉率

核心特性

• 三种采样策略：随机（random）、热门（popular）、对抗（adversarial）
• 测试模型对不存在物体的错误肯定（即幻觉）
• 基于 MSCOCO 图像构建
• 采用简单的是非题格式，便于客观评估
• 衡量模型回答与视觉内容的一致性

评估说明

• 默认配置使用 0-shot 评估
• 五个指标：准确率（accuracy）、精确率（precision）、召回率（recall）、F1 分数（F1 score）、yes_ratio
• F1 分数为主要聚合指标
• 包含三个子集：popular、adversarial、random
• popular 和 adversarial 子集更具挑战性
• yes_ratio 反映模型倾向于回答 “yes” 的程度

属性

属性	值
基准测试名称	pope
数据集ID	lmms-lab/POPE
论文	N/A
标签	Hallucination, MultiModal, Yes/No
指标	accuracy, precision, recall, f1_score, yes_ratio
默认示例数量	0-shot
评估划分	N/A
聚合方式	f1

数据统计

指标	值
总样本数	9,000
提示词长度（平均）	79.4 字符
提示词长度（最小/最大）	75 / 87 字符

各子集统计数据：

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
popular	3,000	79.27	75	87
adversarial	3,000	79.36	75	87
random	3,000	79.59	75	87

图像统计信息：

指标	值
总图像数	9,000
每样本图像数	最小: 1, 最大: 1, 平均: 1
分辨率范围	500x243 - 640x640
格式	jpeg

样例示例

子集: popular

{
  "input": [
    {
      "id": "8847a5a3",
      "content": [
        {
          "text": "Is there a snowboard in the image?\nPlease answer YES or NO without an explanation."
        },
        {
          "image": "[BASE64_IMAGE: png, ~87.2KB]"
        }
      ]
    }
  ],
  "target": "YES",
  "id": 0,
  "group_id": 0,
  "metadata": {
    "id": "3000",
    "answer": "YES",
    "category": "popular",
    "question_id": "1"
  }
}

提示模板

提示模板：

{question}
Please answer YES or NO without an explanation.

使用方法

使用 CLI

evalscope eval \
    --model YOUR_MODEL \
    --api-url OPENAI_API_COMPAT_URL \
    --api-key EMPTY_TOKEN \
    --datasets pope \
    --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=['pope'],
    dataset_args={
        'pope': {
            # subset_list: ['popular', 'adversarial', 'random']  # 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)