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

MeasureBench

概述

MeasureBench 是一个全面的基准测试，用于评估视觉语言模型（VLMs）从测量仪器中读取数值的能力。它涵盖了 真实世界照片 和 合成生成图像 两大类，包含 4 种设计类别下的 26 种仪器类型。

任务描述

• 任务类型：开放式视觉问答（仪器读数）
• 输入：一张测量仪器的图像 + 一个读数问题
• 输出：仪器当前的读数（数值或时间，带单位）
• 领域：电流表、时钟、温度计、秤、速度表等共 26 种仪器类型

主要特性

• 总计 2,442 个样本，分为两个子集：real_world（1,272）和 synthetic_test（1,170）
• 26 种仪器类型，4 种设计类别（表盘式、数字式、模拟式、线性式）
• 接受围绕正确值的一个容差区间，而非要求完全精确匹配
• 对于时钟：通过多个有效区间处理 12 小时制与 24 小时制的歧义
• 单位识别与数值准确性分别进行评估

评估说明

• 默认子集：real_world 和 synthetic_test（视为独立子集）
• 主要指标：Accuracy（accuracy）—— all_correct：数值 和 单位均正确
• 次要指标：number_acc（仅数值）、unit_acc（仅单位）
• 两种评估器：interval_matching（单一有效范围）和 multi_interval_matching（例如时钟的上午/下午）
• 模型输出应在最后一行采用格式 Answer: <value> <unit>
• 每个样本的元数据中记录了 image_type；按类型划分的结果可在评审文件的 subset_key 列中查看，但无法通过 subset_list 单独选择
• 论文 | GitHub

属性

属性	值
基准测试名称	measure_bench
数据集ID	evalscope/MeasureBench
论文	Paper
标签	MultiModal, QA, Reasoning
指标	accuracy, number_acc, unit_acc
默认示例数	0-shot
评估子集	real_world

数据统计

指标	值
总样本数	2,442
提示词长度（平均）	150.9 字符
提示词长度（最小/最大）	126 / 215 字符

各子集统计：

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
real_world	1,272	153.83	131	215
synthetic_test	1,170	147.71	126	192

图像统计：

指标	值
图像总数	2,442
每样本图像数	最小: 1, 最大: 1, 平均: 1
分辨率范围	108x79 - 3025x1599
格式	jpeg, png

样例示例

子集: real_world

{
  "input": [
    {
      "id": "1341f508",
      "content": [
        {
          "image": "[BASE64_IMAGE: jpeg, ~75.8KB]"
        },
        {
          "text": "What is the reading of the instrument?\nProvide your final answer on the last line in the format: Answer: <value> <unit>. For example: Answer: 42.5 A"
        }
      ]
    }
  ],
  "target": "",
  "id": 0,
  "group_id": 0,
  "subset_key": "ammeter",
  "metadata": {
    "question_id": "ammeter_0",
    "image_type": "ammeter",
    "design": "dial",
    "evaluator": "interval_matching",
    "evaluator_kwargs": "{\"interval\": [9.5, 9.7], \"units\": [\"A\", \"Ampere\"]}"
  }
}

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 measure_bench \
    --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=['measure_bench'],
    dataset_args={
        'measure_bench': {
            # subset_list: ['real_world', 'synthetic_test']  # 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)