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

MVBench

概述

MVBench 是一个公开的多模态视频理解基准测试，涵盖时间感知、属性/状态推理、符号排序和高级认知任务。此原生适配器默认使用 ModelScope 上的 PKU-Alignment/MVBench 镜像，该镜像提供 JSON 标注以及优化后的视频压缩包。

任务描述

• 任务类型：视频多项选择题问答（Video multiple-choice question answering）
• 输入：视频 + 问题 + 答案选项
• 输出：单个正确答案字母
• 子集：20 个 MVBench 任务；默认的冒烟测试子集为 action_antonym

评估说明

• 默认配置使用 0-shot 评估
• 主要指标：准确率（Accuracy）
• 默认的 action_antonym 子集会下载一个小型公开 MP4 压缩包用于快速验证
• 可通过设置 subset_list 参数指定额外的 MVBench 子集以进行完整基准评估
• 对于带时间范围的记录，保留起始/结束时间元数据，并在提示词中添加简短的片段指令

属性

属性	值
基准测试名称	mvbench
数据集ID	PKU-Alignment/MVBench
论文	Paper
标签	MCQ, MultiModal, Video
指标	accuracy
默认示例数	0-shot
评估划分	train

数据统计

指标	值
总样本数	4,000

各子集统计数据：

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
action_antonym	200	N/A	N/A	N/A
action_count	200	N/A	N/A	N/A
action_localization	200	N/A	N/A	N/A
action_prediction	200	N/A	N/A	N/A
action_sequence	200	N/A	N/A	N/A
character_order	200	N/A	N/A	N/A
counterfactual_inference	200	N/A	N/A	N/A
egocentric_navigation	200	N/A	N/A	N/A
episodic_reasoning	200	N/A	N/A	N/A
fine_grained_action	200	N/A	N/A	N/A
fine_grained_pose	200	N/A	N/A	N/A
moving_attribute	200	N/A	N/A	N/A
moving_count	200	N/A	N/A	N/A
moving_direction	200	N/A	N/A	N/A
object_existence	200	N/A	N/A	N/A
object_interaction	200	N/A	N/A	N/A
object_shuffle	200	N/A	N/A	N/A
scene_transition	200	N/A	N/A	N/A
state_change	200	N/A	N/A	N/A
unexpected_action	200	N/A	N/A	N/A

样例示例

样例示例不可用。

提示模板

提示模板：

请回答以下多项选择题。你的回复最后一行应采用如下格式：'ANSWER: [LETTER]'（不含引号），其中 [LETTER] 是 {letters} 中的一个字母。请逐步思考后再作答。

{question}

{choices}

使用方法

使用 CLI

evalscope eval \
    --model YOUR_MODEL \
    --api-url OPENAI_API_COMPAT_URL \
    --api-key EMPTY_TOKEN \
    --datasets mvbench \
    --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=['mvbench'],
    dataset_args={
        'mvbench': {
            # subset_list: ['action_antonym', 'action_count', 'action_localization']  # 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)