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

CharXiv

概述

CharXiv 是 NeurIPS 2024 提出的一个全面的图表理解基准测试，用于评估多模态大语言模型在来自 arXiv 论文的真实科学图表上的表现。该基准同时考察模型对图表元素的底层感知能力（描述性任务）和对图表数据的高层推理能力。

任务描述

• 任务类型：图表理解（描述性 + 推理性）
• 输入：科学图表图像 + 问题
• 输出：自由格式文本答案
• 领域：cs、physics、math、eess、q-bio、q-fin、stat、econ

主要特点

• 包含来自 8 个学科 arXiv 论文的 2,323 张真实科学图表
• 两种问题类型：
  • 描述性（每张图表 4 个）：基础元素识别（标题、坐标轴、图例、趋势等）
  • 推理型（每张图表 1 个）：需要数据综合的高阶推理
• 19 种描述性问题模板，涵盖信息提取、枚举、模式识别、计数和组合性任务
• 4 种推理答案类型：图表内文本、通用文本、图表内数值、通用数值
• 验证集（1,000 张图表）和测试集（1,323 张图表）
• 依据官方 CharXiv 评分协议，通过 LLM 作为评判器进行评估

评估说明

• 默认评估使用 验证集（1,000 张图表，5,000 个问题）
• 每张图表生成 5 个样本：4 个描述性 + 1 个推理型
• 主要指标：通过 LLM-as-judge 计算的 准确率（Accuracy）
• 子集划分：descriptive 和 reasoning（也可按类别细分）
• 需通过 judge.models 配置 LLM 评判器
• 论文 | GitHub

属性

属性	值
基准测试名称	charxiv
数据集ID	princeton-nlp/CharXiv
论文	Paper
标签	MultiModal, QA, Reasoning
指标	accuracy
默认示例数量	0-shot
评估划分	validation

数据统计

统计数据暂不可用。

样例示例

子集: descriptive

{
  "input": [
    {
      "id": "dd588b4d",
      "content": [
        {
          "image": "[BASE64_IMAGE: jpeg, ~70.0KB]"
        },
        {
          "text": "For the current plot, what is the spatially highest labeled tick on the y-axis?\n* Your final answer should be the tick value on the y-axis that is explicitly written. Ignore units or scales that are written separately from the tick."
        }
      ]
    }
  ],
  "target": "60",
  "id": 0,
  "group_id": 0,
  "subset_key": "descriptive",
  "metadata": {
    "question_type": "descriptive",
    "question_id": 7,
    "category": "cs",
    "original_id": "2004.10956"
  }
}

提示模板

未定义提示模板。

使用方法

通过 CLI 使用

evalscope eval \
    --model YOUR_MODEL \
    --api-url OPENAI_API_COMPAT_URL \
    --api-key EMPTY_TOKEN \
    --datasets charxiv \
    --limit 10  # 正式评估时请删除此行

通过 Python 使用

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=['charxiv'],
    limit=10,  # 正式评估时请删除此行
)

run_task(task_cfg=task_cfg)