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

HallusionBench

概述

HallusionBench 是一个高级诊断基准测试，旨在评估大视觉语言模型（LVLMs）的图像上下文推理能力，并检测其产生幻觉的倾向。该基准特别测试模型在语言幻觉和视觉错觉方面的敏感性。

任务描述

• 任务类型：幻觉检测与视觉推理
• 输入：图像 + 关于图像内容的是/否问题
• 输出：YES 或 NO 答案
• 领域：幻觉检测、视觉推理、事实准确性

主要特点

• 专门设计用于探测幻觉行为
• 同时测试语言幻觉和视觉错觉
• 按类别和子类别组织，便于详细分析
• 使用分组准确率指标进行稳健评估
• 问题要求精确的图像上下文推理

评估说明

• 默认评估使用 image 切分
• 多种准确率指标：
  • aAcc：答案级准确率（每题）
  • fAcc：图像级准确率（每张图像的所有问题均正确）
  • qAcc：问题级准确率（按问题类型分组）
• 要求仅输出 YES/NO，无需解释
• 在子类别、类别和整体层面进行聚合

属性

属性	值
基准测试名称	hallusion_bench
数据集ID	lmms-lab/HallusionBench
论文	N/A
标签	Hallucination, MultiModal, Yes/No
指标	aAcc, qAcc, fAcc
默认示例数	0-shot
评估切分	image
聚合方式	f1

数据统计

指标	值
总样本数	951
提示词长度（平均）	136.78 字符
提示词长度（最小/最大）	76 / 292 字符

图像统计：

指标	值
总图像数	951
每样本图像数	最小: 1, 最大: 1, 平均: 1
分辨率范围	388x56 - 5291x4536
格式	png

样例示例

子集: default

{
  "input": [
    {
      "id": "ba75d669",
      "content": [
        {
          "text": "Is China, Hongkong SAR, the leading importing country of gold, silverware, and jewelry with the highest import value in 2018?\nPlease answer YES or NO without an explanation."
        },
        {
          "image": "[BASE64_IMAGE: png, ~143.0KB]"
        }
      ]
    }
  ],
  "target": "NO",
  "id": 0,
  "group_id": 0,
  "metadata": {
    "category": "VS",
    "subcategory": "chart",
    "visual_input": "1",
    "set_id": "0",
    "figure_id": "1",
    "question_id": "0",
    "gt_answer": "0",
    "gt_answer_details": "Switzerland is the leading importing country of gold, silverware, and jewelry with the highest import value in 2018?"
  }
}

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 hallusion_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=['hallusion_bench'],
    limit=10,  # 正式评估时请删除此行
)

run_task(task_cfg=task_cfg)