VLMs Are Biased#

概述#

VLMs Are Biased（VLMBias）用于评估视觉-语言模型（VLM）在回答客观视觉问题时，是依据图像内容作答，还是依赖于记忆中的先验知识。该基准测试使用反事实图像（counterfactual images），这些图像的可见属性与常见概念相冲突，例如带有四条纹的阿迪达斯风格标志，或拥有异常腿数的动物。

任务描述#

  • 任务类型：自由形式的视觉问答（计数与识别）

  • 输入：一张反事实图像或对照图像，配以计数、二元识别或简短回答类问题

  • 输出：一个数字、Yes/No，或用花括号括起的简短身份标识

  • 领域：动物、商标、旗帜、国际象棋棋子、游戏棋盘、视错觉和图案网格

核心特性#

  • 主要的 main 划分包含 2,784 个客观视觉问题，覆盖 1,392 张反事实图像，分辨率分别为 384、768 和 1152 像素

  • 五个官方分析划分涵盖二元识别、图像内标题注入、原始未修改对照图像，以及去除背景的变体

  • 每条反事实记录同时提供视觉上正确的 ground_truth 和基于先验知识的 expected_bias

  • 该基准测试涵盖七个主题和十九个子主题，支持细粒度分析，无需创建合成的 EvalScope 子集

评估说明#

  • 数据集提示词按原文使用，包括其要求的花括号答案格式

  • 主要指标：准确率（acc），采用官方提供的大小写不敏感比较方法（去除外层花括号后）；若精确文本匹配失败，则比较其中的数字序列

  • 次要指标：偏见比率（bias_ratio，越低越好），即在相同归一化条件下，预测结果与 expected_bias 一致的比例

  • 准确率也按主题分别报告，与官方 lmms-eval 集成一致

  • original 划分不计算 bias_ratio，因为这些对照样本未定义 expected_bias

  • 六个官方数据集划分作为独立的 EvalScope 子集公开，并默认全部参与评估；若仅选择 main 子集，可复现论文中的主要基准结果

  • 生成应具有确定性且简洁；官方 lmms-eval 设置使用 temperature=0，最多生成 32 个新 token

  • 论文 | GitHub | 项目主页

属性#

属性

值

基准测试名称

vlms_are_biased

数据集ID

evalscope/vlms-are-biased

论文

Paper

标签

MultiModal, QA, Reasoning

指标

accuracy, bias_ratio

默认示例数

0-shot

评估划分

main

数据统计#

指标

值

总样本数

11,594

提示词长度（平均）

90.01 字符

提示词长度（最小/最大）

60 / 138 字符

各子集统计信息：

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

main

2,784

91.52

78

129

identification

1,392

83.27

68

102

withtitle

2,784

91.52

78

129

original

458

85.03

60

130

remove_background_q1q2

2,784

94.23

78

138

remove_background_q3

1,392

83.91

70

102

图像统计信息：

指标

值

图像总数

11,594

每样本图像数

最小: 1, 最大: 1, 平均: 1

分辨率范围

384x183 - 1862x1430

格式

png

样例示例#

子集: main

{
  "input": [
    {
      "id": "3872fe66",
      "content": [
        {
          "image": "[BASE64_IMAGE: png, ~1.9KB]"
        },
        {
          "text": "Are the horizontal and vertical lines equal in length? Answer in curly brackets, e.g., {Yes} or {No}."
        }
      ]
    }
  ],
  "target": "Yes",
  "id": 0,
  "group_id": 0,
  "metadata": {
    "id": "VerticalHorizontal_001_Q1_notitle_px384",
    "topic": "Optical Illusion",
    "sub_topic": "Vertical-Horizontal illusion",
    "type_of_question": "Q1",
    "expected_bias": "No",
    "with_title": false,
    "pixel": 384
  }
}

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 vlms_are_biased \
    --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=['vlms_are_biased'],
    dataset_args={
        'vlms_are_biased': {
            # subset_list: ['main', 'identification', 'withtitle']  # 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)