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

4.9 KiB

Raw Blame History

VLMs Are Biased

概述

VLMs Are Biased（VLMBias）用于评估视觉-语言模型（VLM）在回答客观视觉问题时，是依据图像内容作答，还是依赖于记忆中的先验知识。该基准测试使用反事实图像（counterfactual images），这些图像的可见属性与常见概念相冲突，例如带有四条纹的阿迪达斯风格标志，或拥有异常腿数的动物。

任务描述

任务类型：自由形式的视觉问答（计数与识别）
输入：一张反事实图像或对照图像，配以计数、二元识别或简短回答类问题
输出：一个数字、Yes/No，或用花括号括起的简短身份标识
领域：动物、商标、旗帜、国际象棋棋子、游戏棋盘、视错觉和图案网格

核心特性

主要的 main 划分包含 2,784 个客观视觉问题，覆盖 1,392 张反事实图像，分辨率分别为 384、768 和 1152 像素
五个官方分析划分涵盖二元识别、图像内标题注入、原始未修改对照图像，以及去除背景的变体
每条反事实记录同时提供视觉上正确的 ground_truth 和基于先验知识的 expected_bias
该基准测试涵盖七个主题和十九个子主题，支持细粒度分析，无需创建合成的 EvalScope 子集

评估说明

数据集提示词按原文使用，包括其要求的花括号答案格式
主要指标：准确率（acc），采用官方提供的大小写不敏感比较方法（去除外层花括号后）；若精确文本匹配失败，则比较其中的数字序列
次要指标：偏见比率（bias_ratio，越低越好），即在相同归一化条件下，预测结果与 expected_bias 一致的比例
准确率也按主题分别报告，与官方 lmms-eval 集成一致
original 划分不计算 bias_ratio，因为这些对照样本未定义 expected_bias
六个官方数据集划分作为独立的 EvalScope 子集公开，并默认全部参与评估；若仅选择 main 子集，可复现论文中的主要基准结果
生成应具有确定性且简洁；官方 lmms-eval 设置使用 temperature=0，最多生成 32 个新 token
论文 | GitHub | 项目主页

属性

属性	值
基准测试名称	`vlms_are_biased`
数据集ID	evalscope/vlms-are-biased
论文	Paper
标签	`MultiModal`, `QA`, `Reasoning`
指标	`accuracy`, `bias_ratio`
默认示例数	0-shot
评估划分	`main`

数据统计

指标	值
总样本数	11,594
提示词长度（平均）	90.01 字符
提示词长度（最小/最大）	60 / 138 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
`main`	2,784	91.52	78	129
`identification`	1,392	83.27	68	102
`withtitle`	2,784	91.52	78	129
`original`	458	85.03	60	130
`remove_background_q1q2`	2,784	94.23	78	138
`remove_background_q3`	1,392	83.91	70	102

图像统计信息：

指标	值
图像总数	11,594
每样本图像数	最小: 1, 最大: 1, 平均: 1
分辨率范围	384x183 - 1862x1430
格式	png

样例示例

子集: main

{
  "input": [
    {
      "id": "3872fe66",
      "content": [
        {
          "image": "[BASE64_IMAGE: png, ~1.9KB]"
        },
        {
          "text": "Are the horizontal and vertical lines equal in length? Answer in curly brackets, e.g., {Yes} or {No}."
        }
      ]
    }
  ],
  "target": "Yes",
  "id": 0,
  "group_id": 0,
  "metadata": {
    "id": "VerticalHorizontal_001_Q1_notitle_px384",
    "topic": "Optical Illusion",
    "sub_topic": "Vertical-Horizontal illusion",
    "type_of_question": "Q1",
    "expected_bias": "No",
    "with_title": false,
    "pixel": 384
  }
}

提示模板

未定义提示模板。

使用方法

使用 CLI

evalscope eval \
    --model YOUR_MODEL \
    --api-url OPENAI_API_COMPAT_URL \
    --api-key EMPTY_TOKEN \
    --datasets vlms_are_biased \
    --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=['vlms_are_biased'],
    dataset_args={
        'vlms_are_biased': {
            # subset_list: ['main', 'identification', 'withtitle']  # 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)

4.9 KiB Raw Blame History Unescape Escape