sora 13274243a0 Bump vendored EvalScope and add K3-ready DPV4 configs.

Keep K3 suite selection and report-schema scoring in bash, merge K3/vision dataset_args into dpv4 yamls, and pin EvalScope at 735d920ee911 with local patches.

Co-authored-by: Cursor <cursoragent@cursor.com>

2026-09-02 07:30:48 +00:00

5.1 KiB

Raw Blame History

PerceptionBench

概述

PerceptionBench 是由 Moonshot AI 推出的一项基准测试，用于评估多模态大语言模型（MLLM）的原子级视觉感知能力。该基准采用自下而上的构建方式：通过对前沿 MLLM 在 42 个现有基准上的最早失败点进行诊断，归纳出一个错误分类体系，其中“感知”分支定义了十种原子级感知能力。每个问题仅聚焦于单一能力，因此其难度来源于感知本身，而非推理或知识。

任务描述

任务类型：视觉感知（开放式问答）
输入：一张或多张图像与一个问题交错排列
输出：自由格式的简短答案，且具有唯一确定的参考答案
领域：涵盖十种原子级视觉感知能力

核心特性

包含 3,000 个经过验证的问题，覆盖十种原子级感知能力
其中 1,800 个问题（60%）是从源基准中归因失败案例分解出的原子子问题；1,200 个问题（40%）是在补充图像上全新编写的问题
子集遵循十种 error_category 标签：视觉关系、计数、属性、深度与 3D 感知、定位、比较、细粒度识别、上下文整合、OCR 和感知相关幻觉
支持多图像问题：图像通过 <|image_N|> 占位符交错嵌入问题中
对于包含 hint（坐标约定或图像尺寸）的样本，会通过系统消息传递该提示，与官方消息构建器保持一致

评估说明

默认评估使用 train 切分（3,000 个样本，单切分数据集）
主要指标：准确率（Accuracy），报告整体及各能力维度的结果
评分遵循官方协议：使用 LLM 评判器，通过教师评分提示（teacher-grading prompt）将自由格式答案与参考答案对比，并对每个样本返回严格的 0/1 判定（[reason] / [judge] True|False）；论文中使用 GPT-oss-120B 作为评判器，在 300 个样本的人工审核中与人类判断的一致性达 99.7%
空输出或生成失败的答案直接记为 0 分，不调用评判器
需通过 judge.models 配置 LLM 评判器
数据集中图像以 base64 data URI 形式嵌入（首次使用时下载约 1.6 GB）

属性

属性	值
基准测试名称	`perception_bench`
数据集ID	moonshotai/PerceptionBench
论文	Paper
标签	`MultiModal`, `QA`
指标	`accuracy`
默认示例数	0-shot
评估切分	`train`

数据统计

指标	值
总样本数	3,000
提示词长度（平均）	233.87 字符
提示词长度（最小/最大）	29 / 1076 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
`visual_relation_error`	330	275.62	43	876
`visual_counting_error`	330	161.11	37	831
`visual_attribute_error`	330	225.58	34	1006
`depth_3d_perception_error`	330	278.5	60	976
`visual_localization_error`	330	284.79	62	1076
`visual_comparison_error`	279	270.14	39	801
`fine_grained_recognition_error`	290	225.91	44	917
`context_integration_error`	255	277.04	58	845
`ocr_error`	255	175.39	29	934
`hallucination`	271	150.94	42	515

图像统计信息：

指标	值
图像总数	3,567
每样本图像数	最小: 1, 最大: 8, 平均: 1.19
分辨率范围	101x64 - 5712x4953
格式	jpeg, png, webp

样例示例

子集: visual_relation_error

{
  "input": [
    {
      "id": "28bf28ec",
      "content": [
        {
          "image": "[BASE64_IMAGE: png, ~97.9KB]"
        },
        {
          "text": "How many arrows does the dashed box intersect with? Just answer with the number."
        }
      ]
    }
  ],
  "target": "4",
  "id": 0,
  "group_id": 0,
  "subset_key": "visual_relation_error",
  "metadata": {
    "index": 5,
    "problem": "<|image_1|>How many arrows does the dashed box intersect with? Just answer with the number.",
    "error_category": "visual_relation_error",
    "source_bmk": "NA",
    "source_idx": null
  }
}

提示模板

未定义提示模板。

使用方法

通过 CLI 使用

evalscope eval \
    --model YOUR_MODEL \
    --api-url OPENAI_API_COMPAT_URL \
    --api-key EMPTY_TOKEN \
    --datasets perception_bench \
    --limit 10  # 正式评估时请删除此行

通过 Python 使用

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=['perception_bench'],
    dataset_args={
        'perception_bench': {
            # subset_list: ['visual_relation_error', 'visual_counting_error', 'visual_attribute_error']  # 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)

5.1 KiB Raw Blame History Unescape Escape