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

WorldVQA

概述

WorldVQA 是一个用于评估多模态大语言模型（MLLMs）原子级视觉世界知识的基准测试。它衡量模型在分层分类体系中对视觉实体进行定位和命名的能力，涵盖从常见的头部类别物体到长尾稀有类别的广泛范围。

任务描述

• 任务类型：视觉实体识别 / 知识问答（QA）
• 输入：图像 + 要求识别视觉实体的问题
• 输出：自由文本答案（具体实体名称）
• 领域：自然、建筑、文化、产品、交通、娱乐、品牌、体育

主要特点

• 包含 3000 个 VQA 对，覆盖 8 个语义类别
• 双语支持：英语（non-zh）和中文（zh）
• 三个难度等级：简单、中等、困难
• 测试与推理解耦的原子级视觉知识
• 要求精确识别实体（例如，具体品种，而非泛称“狗”）

评估说明

• 默认配置采用 0-shot 评估
• 在 train 划分上进行评估（即基准测试数据划分）
• 主要指标：通过 LLM-as-judge 计算的 准确率（Accuracy）
• 支持使用 LLM 判定语义等价性
• 结果按类别及整体分别报告

属性

属性	值
基准测试名称	world_vqa
数据集ID	evalscope/WorldVQA
论文	N/A
标签	Knowledge, MultiModal, QA
指标	acc
默认示例数	0-shot
评估划分	train

数据统计

指标	值
总样本数	3,000
提示词长度（平均）	38.4 字符
提示词长度（最小/最大）	5 / 182 字符

各子集统计信息：

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
Nature & Environment	326	33.9	7	83
Locations & Architecture	512	42.03	9	122
Culture, Arts & Crafts	506	33.71	7	112
Objects & Products	437	55.97	9	182
Vehicles, Craft & Transportation	306	30.67	8	114
Entertainment, Media & Gaming	511	30.5	5	83
Brands, Logos & Graphic Design	260	39.1	6	83
Sports, Gear & Venues	142	41.99	9	100

图像统计信息：

指标	值
总图像数	3,000
每样本图像数	最小: 1, 最大: 1, 平均: 1
分辨率范围	33x65 - 3840x3840
格式	gif, jpeg, png, webp

样例示例

子集: Nature & Environment

{
  "input": [
    {
      "id": "0c08c4e2",
      "content": [
        {
          "text": "What breed of dog is in the picture?"
        },
        {
          "image": "[BASE64_IMAGE: png, ~392.9KB]"
        }
      ]
    }
  ],
  "target": "Greek Hound",
  "id": 0,
  "group_id": 0,
  "subset_key": "Nature & Environment",
  "metadata": {
    "index": 0,
    "category": "Nature & Environment",
    "language": "non-zh",
    "difficulty": "medium"
  }
}

提示模板

提示模板：

{question}

使用方法

使用 CLI

evalscope eval \
    --model YOUR_MODEL \
    --api-url OPENAI_API_COMPAT_URL \
    --api-key EMPTY_TOKEN \
    --datasets world_vqa \
    --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=['world_vqa'],
    dataset_args={
        'world_vqa': {
            # subset_list: ['Nature & Environment', 'Locations & Architecture', 'Culture, Arts & Crafts']  # 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)