13274243a0
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>
166 lines
4.7 KiB
Markdown
166 lines
4.7 KiB
Markdown
# VTCBench
|
||
|
||
|
||
## 概述
|
||
|
||
VTCBench（Vision-Text Compression Benchmark）评估将文本表示为渲染图像时的长上下文理解能力，并与纯文本基线进行比较。
|
||
|
||
## 任务描述
|
||
|
||
- **任务类型**：包含图像模式与文本模式的长上下文问答
|
||
- **输入**：渲染后的上下文图像及问题（VTC 模式），或原始文本及问题（Text 模式）
|
||
- **输出**：简短的自由格式答案
|
||
- **领域**：检索、关联推理和长期对话记忆
|
||
|
||
## 主要特性
|
||
|
||
- 提供配对的 VTC 和 Text 模式，用于衡量视觉文本压缩的影响
|
||
- 包含源自 RULER、NoLiMa 和 LoCoMo 的 Retrieval、Reasoning 和 Memory 子集
|
||
- 使用预渲染的多图文档，以保留基准测试的视觉布局
|
||
- 支持跨多张文档图像的上下文
|
||
|
||
## 评估说明
|
||
|
||
- 默认配置在 VTC 模式下使用 **0-shot** 评估
|
||
- 使用 `--dataset-args '{"vtcbench": {"extra_params":{"eval_mode":"text"}}}'` 启用 Text 基线
|
||
- Retrieval 和 Reasoning 使用官方的分数型 `contains_all` 指标
|
||
- Memory 使用各参考答案中最高的官方 ROUGE-L F1 分数
|
||
- 统一的 `score` 指标会根据子集选择相应的官方指标；报告中的 `macro_score` 是三个任务的无权平均值
|
||
- Text 模式按照官方静态评测器的方式移除 HTML 标签并规范化空白字符
|
||
- 评分前会排除 `<think>...</think>` 中的内容，与官方评测器保持一致
|
||
- 长上下文请求可能需要设置更大的模型超时时间
|
||
- 如果数据集转换出现 offset overflow，请设置 `DATASET_TF_BATCH_SIZE=1`
|
||
- [论文](https://arxiv.org/abs/2512.15649) | [代码](https://github.com/Moenupa/VTCBench)
|
||
|
||
|
||
## 属性
|
||
|
||
| 属性 | 值 |
|
||
|----------|-------|
|
||
| **基准测试名称** | `vtcbench` |
|
||
| **数据集 ID** | [MLLM-CL/VTCBench](https://modelscope.cn/datasets/MLLM-CL/VTCBench/summary) |
|
||
| **论文** | [论文](https://arxiv.org/abs/2512.15649) |
|
||
| **标签** | `LongContext`, `MultiModal`, `QA`, `Reasoning`, `Retrieval` |
|
||
| **指标** | `score`, `contains_all`, `rouge_l` |
|
||
| **默认 Shot 数** | 0-shot |
|
||
| **评估划分** | `test` |
|
||
|
||
|
||
## 数据统计
|
||
|
||
| 指标 | 值 |
|
||
|--------|-------|
|
||
| 样本总数 | 2,200 |
|
||
| Prompt 平均长度 | 236.71 字符 |
|
||
| Prompt 最短/最长长度 | 89 / 384 字符 |
|
||
|
||
**各子集统计：**
|
||
|
||
| 子集 | 样本数 | Prompt 平均长度 | Prompt 最短长度 | Prompt 最长长度 |
|
||
|--------|---------|-------------|------------|------------|
|
||
| `Retrieval` | 800 | 110.38 | 89 | 141 |
|
||
| `Reasoning` | 800 | 368.69 | 363 | 384 |
|
||
| `Memory` | 600 | 229.15 | 186 | 283 |
|
||
|
||
**图像统计：**
|
||
|
||
| 指标 | 值 |
|
||
|--------|-------|
|
||
| 图像总数 | 26,554 |
|
||
| 每个样本的图像数 | 最少：1，最多：62，平均：12.07 |
|
||
| 分辨率范围 | 896x896 - 896x896 |
|
||
| 格式 | jpeg |
|
||
|
||
|
||
## 样例示例
|
||
|
||
**子集**：`Retrieval`
|
||
|
||
```json
|
||
{
|
||
"input": [
|
||
{
|
||
"id": "c51f44e8",
|
||
"content": [
|
||
{
|
||
"image": "[BASE64_IMAGE: jpeg, ~367.1KB]"
|
||
},
|
||
{
|
||
"image": "[BASE64_IMAGE: jpeg, ~366.1KB]"
|
||
},
|
||
{
|
||
"image": "[BASE64_IMAGE: jpeg, ~385.2KB]"
|
||
},
|
||
{
|
||
"image": "[BASE64_IMAGE: jpeg, ~377.7KB]"
|
||
},
|
||
{
|
||
"image": "[BASE64_IMAGE: jpeg, ~333.5KB]"
|
||
},
|
||
{
|
||
"text": "\n\nQuestion:What are all the special magic numbers for foolish-rawhide mentioned in the provided text?"
|
||
}
|
||
]
|
||
}
|
||
],
|
||
"target": "4075987, 5943250",
|
||
"id": 0,
|
||
"group_id": 0,
|
||
"metadata": {
|
||
"problem": "What are all the special magic numbers for foolish-rawhide mentioned in the provided text?",
|
||
"answers": [
|
||
"4075987",
|
||
"5943250"
|
||
],
|
||
"subset": "Retrieval",
|
||
"eval_mode": "vtc"
|
||
}
|
||
}
|
||
```
|
||
|
||
## Prompt 模板
|
||
|
||
*未定义 Prompt 模板。*
|
||
|
||
## 额外参数
|
||
|
||
| 参数 | 类型 | 默认值 | 描述 |
|
||
|-----------|------|---------|-------------|
|
||
| `eval_mode` | `str` | `vtc` | 评估模式：vtc（图像 + 问题）或 text（文本 + 问题）。选项：['vtc', 'text'] |
|
||
|
||
## 使用方法
|
||
|
||
### 使用 CLI
|
||
|
||
```bash
|
||
evalscope eval \
|
||
--model YOUR_MODEL \
|
||
--api-url OPENAI_API_COMPAT_URL \
|
||
--api-key EMPTY_TOKEN \
|
||
--datasets vtcbench \
|
||
--limit 10 # 正式评估时请移除此行
|
||
```
|
||
|
||
### 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=['vtcbench'],
|
||
dataset_args={
|
||
'vtcbench': {
|
||
# subset_list: ['Retrieval', 'Reasoning', 'Memory'] # 可选：评估指定子集
|
||
# extra_params: {} # 使用默认额外参数
|
||
}
|
||
},
|
||
limit=10, # 正式评估时请移除此行
|
||
)
|
||
|
||
run_task(task_cfg=task_cfg)
|
||
```
|