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

ChartQA

概述

ChartQA 是一个用于评估模型在图表和数据可视化上问答能力的基准测试。它考察模型对各类图表（包括柱状图、折线图和饼图）的视觉推理与逻辑理解能力。

任务描述

• 任务类型：图表问答（Chart Question Answering）
• 输入：图表图像 + 自然语言问题
• 输出：单个单词或数值答案
• 领域：数据可视化、视觉推理、数值推理

主要特点

• 涵盖多种图表类型（柱状图、折线图、饼图、散点图）
• 包含人工编写和自动生成的测试问题
• 要求理解图表结构和数据关系
• 同时测试视觉信息提取与逻辑推理能力
• 问题难度从简单数据查询到复杂推理不等

评估说明

• 默认使用 test 数据划分，包含两个子集：
  • human_test：人工编写的问题
  • augmented_test：自动生成的问题
• 主要指标：Relaxed Accuracy（允许答案存在微小差异）
• 答案格式应为 "ANSWER: [ANSWER]"
• 数值答案允许存在舍入误差范围内的差异

属性

属性	值
基准测试名称	chartqa
数据集ID	lmms-lab/ChartQA
论文	N/A
标签	Knowledge, MultiModal, QA
指标	relaxed_acc
默认示例数	0-shot
评估划分	test

数据统计

指标	值
总样本数	2,500
提示词长度（平均）	224.33 字符
提示词长度（最小/最大）	178 / 352 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
human_test	1,250	220.17	178	352
augmented_test	1,250	228.49	186	293

图像统计：

指标	值
图像总数	2,500
每样本图像数	最小: 1, 最大: 1, 平均: 1
分辨率范围	184x326 - 800x1796
格式	png

样例示例

子集: human_test

{
  "input": [
    {
      "id": "c75439e0",
      "content": [
        {
          "text": "\nHow many food item is shown in the bar graph?\n\nThe last line of your response should be of the form \"ANSWER: [ANSWER]\" (without quotes) where [ANSWER] is the a single word answer or number to the problem.\n"
        },
        {
          "image": "[BASE64_IMAGE: png, ~42.9KB]"
        }
      ]
    }
  ],
  "target": "14",
  "id": 0,
  "group_id": 0,
  "subset_key": "human_test"
}

提示模板

提示模板：

{question}

The last line of your response should be of the form "ANSWER: [ANSWER]" (without quotes) where [ANSWER] is the a single word answer or number to the problem.

使用方法

使用 CLI

evalscope eval \
    --model YOUR_MODEL \
    --api-url OPENAI_API_COMPAT_URL \
    --api-key EMPTY_TOKEN \
    --datasets chartqa \
    --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=['chartqa'],
    dataset_args={
        'chartqa': {
            # subset_list: ['human_test', 'augmented_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)