13274243a0
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>
145 lines
5.0 KiB
Markdown
145 lines
5.0 KiB
Markdown
# PhyX-MC
|
||
|
||
|
||
## 概述
|
||
|
||
PhyX 是首个面向现实、视觉接地场景中物理推理的大规模基准测试。这是其多项选择题（multiple-choice）变体：每个大学水平的物理问题均附带一张图和四个选项，模型需输出正确选项对应的字母。
|
||
|
||
## 任务描述
|
||
|
||
- **任务类型**：视觉多选物理问题求解
|
||
- **输入**：一张图像，以及问题描述、提问和四个带标签的选项
|
||
- **输出**：单个选项字母（A、B、C 或 D）
|
||
- **领域**：大学物理（力学、电磁学、热力学、波动/声学、光学、近代物理）
|
||
|
||
## 核心特性
|
||
|
||
- 包含 3,000 道大学水平题目（`test`），覆盖 6 个核心领域和 25 个子领域，每个领域作为独立子集提供；设置 `eval_split='test_mini'` 可选择官方指定的 1,000 题 testmini 测试集。
|
||
- 每道题均基于一张图像，其中包含文本未重复说明的关键信息，因此模型必须结合视觉线索与隐含的物理定律进行推理。
|
||
- 涵盖 6 种推理类型（物理模型接地、多公式、空间关系、数值、预测性及隐含条件推理）。
|
||
- 采用论文中默认的 *Text-DeRedundancy* 输入风格：简化后的问题描述加提问，并附上图像。
|
||
|
||
- 官方提示词被逐字复现，包括要求仅输出选项字母的指令，以确保评分结果可与已发表数据直接比较。
|
||
|
||
## 评估说明
|
||
|
||
- 主要指标：`acc`（准确率），对所有题目取平均值，并报告整体及各领域的得分。
|
||
- 默认评分方式为官方字符串级匹配：从模型回复中提取选项字母，并与标准答案比对，接受如 `D:` 或 `**D**` 等符合提示格式的正确选项标记形式。
|
||
- 若设置 `judge.strategy='llm'` 并指定 `judge.models`，则复现官方 LLM 判定模式。仅当无法从回复中提取选项字母时，才调用判别模型，与上游实现一致。
|
||
- 图像以内联 base64 形式发送，最大约 5 MB；若所用模型对单图大小有限制，可在 `dataset_args` 中设置 `max_image_bytes`。
|
||
- 资源链接：[论文](https://arxiv.org/abs/2505.15929) | [GitHub](https://github.com/NastyMarcus/PhyX) | [项目主页](https://killthefullmoon.github.io/projects/PhyX/index.html)
|
||
|
||
## 属性
|
||
|
||
| 属性 | 值 |
|
||
|----------|-------|
|
||
| **基准测试名称** | `phyx_mc` |
|
||
| **数据集 ID** | [evalscope/PhyX](https://modelscope.cn/datasets/evalscope/PhyX/summary) |
|
||
| **论文** | [Paper](https://arxiv.org/abs/2505.15929) |
|
||
| **标签** | `MCQ`, `MultiModal`, `Reasoning` |
|
||
| **指标** | `accuracy` |
|
||
| **默认示例数** | 0-shot |
|
||
| **评估划分** | `test` |
|
||
|
||
|
||
## 数据统计
|
||
|
||
| 指标 | 值 |
|
||
|--------|-------|
|
||
| 总样本数 | 3,000 |
|
||
| 提示词长度（平均） | 487.19 字符 |
|
||
| 提示词长度（最小/最大） | 178 / 2039 字符 |
|
||
|
||
**各子集统计：**
|
||
|
||
| 子集 | 样本数 | 提示平均长度 | 提示最小长度 | 提示最大长度 |
|
||
|--------|---------|-------------|------------|------------|
|
||
| `mechanics` | 550 | 471.63 | 203 | 1364 |
|
||
| `electromagnetism` | 550 | 466.88 | 189 | 1125 |
|
||
| `thermodynamics` | 500 | 498.81 | 178 | 1283 |
|
||
| `waves_acoustics` | 500 | 492.87 | 196 | 1880 |
|
||
| `optics` | 500 | 478.61 | 194 | 1376 |
|
||
| `modern_physics` | 400 | 525.59 | 199 | 2039 |
|
||
|
||
**图像统计：**
|
||
|
||
| 指标 | 值 |
|
||
|--------|-------|
|
||
| 图像总数 | 3,000 |
|
||
| 每样本图像数 | 最小: 1, 最大: 1, 平均: 1 |
|
||
| 分辨率范围 | 215x46 - 5712x4953 |
|
||
| 格式 | jpeg, png |
|
||
|
||
|
||
## 样例示例
|
||
|
||
**子集**: `mechanics`
|
||
|
||
```json
|
||
{
|
||
"input": [
|
||
{
|
||
"id": "4334f3a0",
|
||
"content": [
|
||
{
|
||
"image": "[BASE64_IMAGE: png, ~35.6KB]"
|
||
},
|
||
{
|
||
"text": "A patient with a dislocated shoulder is put into a traction apparatus as shown in figure. The pulls $\\vec{A}$ and $\\vec{B} must combine to produce an outward traction force of 12.8 N on the patient’s arm. How large should these pulls be?Please directly answer the question and provide the correct OPTION LETTER ONLY, e.g., A, B, C, D. OPTION: A: 7.55N B: 5.55N C: 7.65N D: 6.65N"
|
||
}
|
||
]
|
||
}
|
||
],
|
||
"target": "A",
|
||
"id": 0,
|
||
"group_id": 0,
|
||
"metadata": {
|
||
"index": "0",
|
||
"category": "Mechanics",
|
||
"subfield": "Statics",
|
||
"reasoning_type": [
|
||
"Spatial Relation Reasoning"
|
||
]
|
||
}
|
||
}
|
||
```
|
||
|
||
## 提示模板
|
||
|
||
*未定义提示模板。*
|
||
|
||
## 使用方法
|
||
|
||
### 使用 CLI
|
||
|
||
```bash
|
||
evalscope eval \
|
||
--model YOUR_MODEL \
|
||
--api-url OPENAI_API_COMPAT_URL \
|
||
--api-key EMPTY_TOKEN \
|
||
--datasets phyx_mc \
|
||
--limit 10 # 正式评估时请删除此行
|
||
```
|
||
|
||
### 使用 Python
|
||
|
||
```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=['phyx_mc'],
|
||
dataset_args={
|
||
'phyx_mc': {
|
||
# subset_list: ['mechanics', 'electromagnetism', 'thermodynamics'] # 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)
|
||
```
|