evalstone/evalscope/docs/zh/benchmarks/seed_bench_2_plus.md

SEED-Bench-2-Plus

概述

SEED-Bench-2-Plus 是一个大规模基准测试，旨在评估多模态大语言模型（MLLMs）在富含文本的视觉理解任务上的表现。该基准包含 2.3K 道多项选择题，覆盖真实世界场景，并配有精确的人工标注。

任务描述

• 任务类型：富含文本的视觉问答（Text-Rich Visual Question Answering）
• 输入：包含丰富文本内容的图像 + 多项选择题
• 输出：正确答案选项字母（A/B/C/D）
• 领域：图表（Charts）、地图（Maps）、网页界面（Web Interfaces）

主要特点

• 聚焦于真实应用场景中常见的富含文本的视觉场景
• 包含三大类别：图表（Charts）、地图（Maps） 和 网页（Webs）
• 问题由人工高质量标注
• 测试模型对复杂图文布局的理解能力
• 每个类别内包含多个难度级别

评估说明

• 默认使用 test 数据集划分进行评估
• 可用子集：chart、web、map
• 主要指标：多项选择题的 准确率（Accuracy）
• 使用思维链（Chain-of-Thought, CoT）提示进行推理
• 提供丰富的元数据，包括数据来源、类型和难度等级

属性

属性	值
基准测试名称	seed_bench_2_plus
数据集ID	evalscope/SEED-Bench-2-Plus
论文	N/A
标签	Knowledge, MCQ, MultiModal, Reasoning
指标	acc
默认示例数量	0-shot
评估划分	test

数据统计

指标	值
总样本数	2,277
提示词长度（平均）	393.01 字符
提示词长度（最小/最大）	280 / 710 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
chart	810	390.92	280	663
web	660	395.56	294	664
map	807	393.02	282	710

图像统计数据：

指标	值
总图像数	2,277
每样本图像数	最小: 1, 最大: 1, 平均: 1
分辨率范围	800x800 - 800x800
格式	png

样例示例

子集: chart

{
  "input": [
    {
      "id": "7fdf638f",
      "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,C,D. Think step by step before answering.\n\nAccording to the tree diagram, how many women who have breast cancer received a negative mammogram?\n\nA) 80\nB) 950\nC) 20\nD) 8,950"
        },
        {
          "image": "[BASE64_IMAGE: png, ~68.1KB]"
        }
      ]
    }
  ],
  "choices": [
    "80",
    "950",
    "20",
    "8,950"
  ],
  "target": "D",
  "id": 0,
  "group_id": 0,
  "subset_key": "chart",
  "metadata": {
    "data_id": "text_rich/1.png",
    "question_id": "0",
    "question_image_subtype": "tree diagram",
    "data_source": "SEED-Bench v2 plus",
    "data_type": "Single Image",
    "level": "L1",
    "subpart": "Single-Image & Text Comprehension",
    "version": "v2+"
  }
}

提示模板

提示模板：

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）

evalscope eval \
    --model YOUR_MODEL \
    --api-url OPENAI_API_COMPAT_URL \
    --api-key EMPTY_TOKEN \
    --datasets seed_bench_2_plus \
    --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=['seed_bench_2_plus'],
    dataset_args={
        'seed_bench_2_plus': {
            # subset_list: ['chart', 'web', 'map']  # 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)