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
3.7 KiB
Markdown
145 lines
3.7 KiB
Markdown
# POPE
|
||
|
||
|
||
## 概述
|
||
|
||
POPE（Polling-based Object Probing Evaluation）是一个专门用于评估大视觉语言模型（LVLMs）中物体幻觉现象的基准测试。它通过是非题（yes/no questions）来检验模型能否准确识别图像中存在的物体。
|
||
|
||
## 任务描述
|
||
|
||
- **任务类型**：物体幻觉检测（是非问答）
|
||
- **输入**：图像 + 问题 “Is there a [object] in the image?”（图像中是否存在[物体]？）
|
||
- **输出**：YES 或 NO
|
||
- **重点**：衡量准确率与幻觉率
|
||
|
||
## 主要特点
|
||
|
||
- 三种采样策略：随机（random）、流行（popular）、对抗（adversarial）
|
||
- 测试模型对不存在物体做出肯定回答的倾向（即幻觉）
|
||
- 基于 MSCOCO 图像数据集
|
||
- 采用简单的是非题格式，便于客观评估
|
||
- 衡量模型回答与视觉内容之间的一致性
|
||
|
||
## 评估说明
|
||
|
||
- 默认配置使用 **0-shot** 评估
|
||
- 五个评估指标：accuracy（准确率）、precision（精确率）、recall（召回率）、F1 score（F1分数）、yes_ratio（“是”的比例）
|
||
- F1 分数为主要指标；准确率、精确率和召回率为辅助指标；yes_ratio 用于诊断
|
||
- 包含三个子集：`popular`、`adversarial`、`random`
|
||
- “Popular” 和 “adversarial” 子集更具挑战性
|
||
- yes_ratio 反映模型倾向于回答 “yes” 的程度
|
||
|
||
## 属性
|
||
|
||
| 属性 | 值 |
|
||
|----------|-------|
|
||
| **基准测试名称** | `pope` |
|
||
| **数据集ID** | [lmms-lab/POPE](https://modelscope.cn/datasets/lmms-lab/POPE/summary) |
|
||
| **论文** | N/A |
|
||
| **标签** | `Hallucination`, `MultiModal`, `Yes/No` |
|
||
| **指标** | `accuracy`, `precision`, `recall`, `f1`, `yes_ratio` |
|
||
| **默认示例数量** | 0-shot |
|
||
| **评估划分** | `N/A` |
|
||
| **聚合方式** | `f1` |
|
||
|
||
|
||
## 数据统计
|
||
|
||
| 指标 | 值 |
|
||
|--------|-------|
|
||
| 总样本数 | 9,000 |
|
||
| 提示词长度（平均） | 79.4 字符 |
|
||
| 提示词长度（最小/最大） | 75 / 87 字符 |
|
||
|
||
**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 |
|
||
|--------|---------|-------------|------------|------------|
|
||
| `popular` | 3,000 | 79.27 | 75 | 87 |
|
||
| `adversarial` | 3,000 | 79.36 | 75 | 87 |
|
||
| `random` | 3,000 | 79.59 | 75 | 87 |
|
||
|
||
**图像统计信息：**
|
||
|
||
| 指标 | 值 |
|
||
|--------|-------|
|
||
| 总图像数 | 9,000 |
|
||
| 每样本图像数 | 最小: 1, 最大: 1, 平均: 1 |
|
||
| 分辨率范围 | 500x243 - 640x640 |
|
||
| 格式 | jpeg |
|
||
|
||
|
||
## 样例示例
|
||
|
||
**子集**: `popular`
|
||
|
||
```json
|
||
{
|
||
"input": [
|
||
{
|
||
"id": "8847a5a3",
|
||
"content": [
|
||
{
|
||
"text": "Is there a snowboard in the image?\nPlease answer YES or NO without an explanation."
|
||
},
|
||
{
|
||
"image": "[BASE64_IMAGE: png, ~87.2KB]"
|
||
}
|
||
]
|
||
}
|
||
],
|
||
"target": "YES",
|
||
"id": 0,
|
||
"group_id": 0,
|
||
"metadata": {
|
||
"id": "3000",
|
||
"answer": "YES",
|
||
"category": "popular",
|
||
"question_id": "1"
|
||
}
|
||
}
|
||
```
|
||
|
||
## 提示模板
|
||
|
||
**提示模板：**
|
||
```text
|
||
{question}
|
||
Please answer YES or NO without an explanation.
|
||
```
|
||
|
||
## 使用方法
|
||
|
||
### 使用 CLI
|
||
|
||
```bash
|
||
evalscope eval \
|
||
--model YOUR_MODEL \
|
||
--api-url OPENAI_API_COMPAT_URL \
|
||
--api-key EMPTY_TOKEN \
|
||
--datasets pope \
|
||
--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=['pope'],
|
||
dataset_args={
|
||
'pope': {
|
||
# subset_list: ['popular', 'adversarial', 'random'] # 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)
|
||
```
|