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

ZeroBench

概述

ZeroBench 是一个面向大语言多模态模型（LMMs）的高难度视觉推理基准测试。它包含 100 个高质量、人工精心筛选的问题，涵盖多个领域、多种推理类型和图像类型，旨在超越当前模型的能力边界。

任务描述

• 任务类型：高级视觉推理
• 输入：一张或多张图像 + 高难度视觉推理问题
• 输出：逐步推理过程，并在最后用花括号给出最终答案
• 领域：视觉推理、感知、多步推理

核心特点

• 包含 100 个高质量、人工精心筛选的问题
• 专为挑战前沿模型而设计（使用贪心解码时，零样本准确率为 0）
• 覆盖多样化的领域、推理类型和图像类型
• 目前尚无模型能达到 5/5 的可靠性评分
• 用于测试当前视觉推理能力的极限

评估说明

• 默认评估使用 zerobench 划分
• 主要指标：由 LLM 评判的 准确率（Accuracy）
• 答案格式必须为：{final answer}
• 包含子问题划分，便于详细分析
• 使用图像压缩以处理大尺寸图像

属性

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

数据统计

指标	值
总样本数	100
提示词长度（平均）	645.72 字符
提示词长度（最小/最大）	139 / 1998 字符

图像统计信息：

指标	值
图像总数	108
每样本图像数	最小: 1, 最大: 3, 平均: 1.08
分辨率范围	512x297 - 5559x4070
图像格式	jpeg, png

样例示例

子集: default

{
  "input": [
    {
      "id": "f3276b25",
      "content": [
        {
          "text": "I want to purchase all the Montellier bottles from the top three shelves. How much do I save by purchasing the bottles with a loyalty card? Give your final answer in dollars.\n\n\n\nLet's think step by step and give the final answer in curly braces,\nlike this: {final answer}\"\n"
        },
        {
          "image": "[BASE64_IMAGE: png, ~462.4KB]"
        }
      ]
    }
  ],
  "target": "11.90",
  "id": 0,
  "group_id": 0,
  "metadata": {
    "question_id": "1",
    "question_images": [
      "images/1_0.png"
    ],
    "image_attribution": "Own"
  }
}

提示模板

提示模板：

{question}



Let's think step by step and give the final answer in curly braces,
like this: {{final answer}}"

使用方法

使用命令行（CLI）

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

run_task(task_cfg=task_cfg)