MMBench#

概述#

MMBench 是一个系统性设计的基准测试，用于在 20 个细粒度能力维度上评估视觉-语言模型。它采用了一种新颖的 CircularEval 策略，并提供英文和中文两个版本，以支持跨语言评估。

任务描述#

任务类型：视觉多选问答（Visual Multiple-Choice Q&A）
输入：包含问题和 2–4 个选项的图像
输出：单个正确答案字母（A、B、C 或 D）
语言：包含英文（en）和中文（cn）子集

主要特性#

定义了 20 个细粒度能力维度
采用 CircularEval 策略的系统化评估流程
支持双语（英文和中文）
问题中包含上下文提示（hints）
考察感知、推理和知识能力

评估说明#

默认配置使用 0-shot 评估
使用思维链（Chain-of-Thought, CoT）提示
在开发集（dev split）上进行评估
包含两个子集：cn（中文）和 en（英文）
结果包含按类别划分的详细指标

属性#

属性	值
基准测试名称	`mm_bench`
数据集 ID	lmms-lab/MMBench
论文	N/A
标签	`Knowledge`, `MultiModal`, `QA`
指标	`acc`
默认示例数	0-shot
评估分割	`dev`

数据统计#

指标	值
总样本数	8,658
提示词长度（平均）	372.3 字符
提示词长度（最小/最大）	241 / 2395 字符

各子集统计数据：

子集	样本数	提示平均长度	提示最小长度	提示最大长度
`cn`	4,329	312.28	241	1681
`en`	4,329	432.33	256	2395

图像统计数据：

指标	值
总图像数	8,658
每样本图像数	最小: 1, 最大: 1, 平均: 1
分辨率范围	106x56 - 512x512
格式	jpeg

样例示例#

子集: cn

{
  "input": [
    {
      "id": "00b49734",
      "content": [
        {
          "text": "Answer the following multiple choice question. The last line of your response should be of the following format: 'ANSWER: [LETTER]' (without quotes) where [LETTER] is one of A,B. Think step by step before answering.\n\n下面的文章描述了一个实验。阅读文章，然后按照以下说明进行操作。\n\nMadelyn在雪板的底部涂上了一层薄蜡，然后直接下坡滑行。然后，她去掉了蜡，再次直接下坡滑行。她重复了这个过程四次，每次都交替使用薄蜡或不使用薄蜡滑行。她的朋友Tucker计时每次滑行的时间。Madelyn和Tucker计算了使用薄蜡滑行和不使用薄蜡滑行时直接下坡所需的平均时间。\n图：滑雪板下坡。麦德琳和塔克的实验能最好回答哪个问题？\n\nA) 当麦德琳的雪板上有一层薄蜡或一层厚蜡时，它是否能在较短的时间内滑下山坡？\nB) 当麦德琳的雪板上有一层蜡或没有蜡时，它是否能在较短的时间内滑下山坡？"
        },
        {
          "image": "[BASE64_IMAGE: jpeg, ~11.7KB]"
        }
      ]
    }
  ],
  "choices": [
    "当麦德琳的雪板上有一层薄蜡或一层厚蜡时，它是否能在较短的时间内滑下山坡？",
    "当麦德琳的雪板上有一层蜡或没有蜡时，它是否能在较短的时间内滑下山坡？"
  ],
  "target": "B",
  "id": 0,
  "group_id": 0,
  "metadata": {
    "index": 241,
    "category": "identity_reasoning",
    "source": "scienceqa",
    "L2-category": "attribute_reasoning",
    "comment": "nan",
    "split": "dev"
  }
}

提示模板#

提示模板：

Answer the following multiple choice question. The last line of your response should be of the following format: 'ANSWER: [LETTER]' (without quotes) where [LETTER] is one of {letters}. Think step by step before answering.

{question}

{choices}

使用方法#

使用命令行（CLI）#

evalscope eval \
    --model YOUR_MODEL \
    --api-url OPENAI_API_COMPAT_URL \
    --api-key EMPTY_TOKEN \
    --datasets mm_bench \
    --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=['mm_bench'],
    dataset_args={
        'mm_bench': {
            # subset_list: ['cn', 'en']  # 可选，用于指定评估特定子集
        }
    },
    limit=10,  # 正式评估时请删除此行
)

run_task(task_cfg=task_cfg)