138 lines
3.5 KiB
Markdown
138 lines
3.5 KiB
Markdown
# MIA-Bench
|
||
|
||
|
||
## 概述
|
||
|
||
MIA-Bench 是一个多模态指令遵循基准测试，旨在评估视觉-语言模型在图像基础上遵循复杂、组合式指令的能力。每个样本包含一张图像和一条多组件指令，模型的响应由大语言模型（LLM）评委按组件分别打分。
|
||
|
||
## 任务描述
|
||
|
||
- **任务类型**：多模态指令遵循
|
||
- **输入**：图像 + 多组件指令
|
||
- **输出**：自由格式的回答，需满足所有指令组件的要求
|
||
- **领域**：视觉理解、指令遵循、语言生成
|
||
|
||
## 主要特点
|
||
|
||
- 包含 400 个测试样本，涵盖从基础到高级的多样化指令类型
|
||
- 每条指令被分解为 1–5 个评分组件，并配有加权分数
|
||
- 组件类型包括：描述（describe）、长度限制（length_limit）、语言学要求（linguistics）、格式（format）等
|
||
- 采用 LLM 作为评委进行评分：评委独立评估每个组件，并给出加权总分（0–10 分范围，归一化至 0–1）
|
||
- 无预设参考答案；评分完全依赖评委判断
|
||
|
||
## 评估说明
|
||
|
||
- 默认使用 **test** 划分进行评估（400 个样本）
|
||
- 主要指标：**total_score**（各样本归一化后 0–1 总分的平均值）
|
||
- 需配置一个能力强的 LLM 评委（例如 GPT-4o、Qwen-Max），通过 `judge_model_args` 设置
|
||
- 评委策略应设置为 `JudgeStrategy.LLM`
|
||
|
||
## 属性
|
||
|
||
| 属性 | 值 |
|
||
|----------|-------|
|
||
| **基准测试名称** | `mia_bench` |
|
||
| **数据集ID** | [lmms-lab/MIA-Bench](https://modelscope.cn/datasets/lmms-lab/MIA-Bench/summary) |
|
||
| **论文** | N/A |
|
||
| **标签** | `InstructionFollowing`, `MultiModal`, `QA` |
|
||
| **指标** | `total_score` |
|
||
| **默认示例数量** | 0-shot |
|
||
| **评估划分** | `test` |
|
||
|
||
|
||
## 数据统计
|
||
|
||
| 指标 | 值 |
|
||
|--------|-------|
|
||
| 总样本数 | 400 |
|
||
| 提示词长度（平均） | 137.81 字符 |
|
||
| 提示词长度（最小/最大） | 34 / 327 字符 |
|
||
|
||
**图像统计信息：**
|
||
|
||
| 指标 | 值 |
|
||
|--------|-------|
|
||
| 总图像数 | 400 |
|
||
| 每样本图像数 | 最小: 1, 最大: 1, 平均: 1 |
|
||
| 分辨率范围 | 135x240 - 3264x4928 |
|
||
| 格式 | jpeg, mpo, webp |
|
||
|
||
|
||
## 样例示例
|
||
|
||
**子集**: `default`
|
||
|
||
```json
|
||
{
|
||
"input": [
|
||
{
|
||
"id": "9156e81c",
|
||
"content": [
|
||
{
|
||
"image": "[BASE64_IMAGE: jpeg, ~195.9KB]"
|
||
},
|
||
{
|
||
"text": "Explain the activity taking place in the image using exactly two sentences, including one metaphor."
|
||
}
|
||
]
|
||
}
|
||
],
|
||
"target": "",
|
||
"id": 0,
|
||
"group_id": 0,
|
||
"metadata": {
|
||
"instruction": "Explain the activity taking place in the image using exactly two sentences, including one metaphor.",
|
||
"type": "advanced",
|
||
"num_of_component": 3,
|
||
"components": [
|
||
"Explain the activity taking place in the image",
|
||
"using exactly two sentences",
|
||
"including one metaphor"
|
||
],
|
||
"component_weight": [
|
||
4,
|
||
3,
|
||
3
|
||
],
|
||
"component_type": [
|
||
"describe",
|
||
"length_limit",
|
||
"linguistics"
|
||
]
|
||
}
|
||
}
|
||
```
|
||
|
||
## 提示模板
|
||
|
||
*未定义提示模板。*
|
||
|
||
## 使用方法
|
||
|
||
### 使用 CLI
|
||
|
||
```bash
|
||
evalscope eval \
|
||
--model YOUR_MODEL \
|
||
--api-url OPENAI_API_COMPAT_URL \
|
||
--api-key EMPTY_TOKEN \
|
||
--datasets mia_bench \
|
||
--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=['mia_bench'],
|
||
limit=10, # 正式评估时请删除此行
|
||
)
|
||
|
||
run_task(task_cfg=task_cfg)
|
||
``` |