MMStar

概述

MMStar 是一个精英级的视觉不可或缺型多模态基准测试，旨在确保评估过程中真正依赖视觉信息。每个样本都经过精心筛选，必须依靠实际的视觉理解才能作答，从而最大限度地减少数据泄露，并测试高级多模态能力。

任务描述

• 任务类型：视觉依赖型多项选择问答（Vision-Dependent Multiple-Choice QA）

• 输入：图像 + 需要视觉理解的多项选择题

• 输出：单个答案字母（A/B/C/D）

• 领域：感知、推理、数学、科学技术

核心特性

• 确保视觉依赖性 —— 无图像则无法回答问题

• 最小化训练语料中的数据泄露

• 测试高级多模态推理能力

• 六大类别：粗粒度感知、细粒度感知、实例推理、逻辑推理、数学、科学技术

• 高质量人工筛选样本，经验证确需视觉信息

评估说明

• 默认使用 val 划分进行评估

• 主要指标：多项选择题的 准确率（Accuracy）

• 使用思维链（Chain-of-Thought, CoT）提示，格式为 "ANSWER: [LETTER]"

• 结果按类别和整体分别报告

属性

属性	值
基准测试名称	mm_star
数据集ID	evalscope/MMStar
论文	N/A
标签	Knowledge, MCQ, MultiModal
指标	acc
默认示例数（Shots）	0-shot
评估划分	val

数据统计

指标	值
总样本数	1,500
提示词长度（平均）	390.23 字符
提示词长度（最小/最大）	272 / 2023 字符

各子集统计数据：

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
coarse perception	250	350.8	282	784
fine-grained perception	250	334.98	277	608
instance reasoning	250	379.02	273	684
logical reasoning	250	427.22	284	2023
math	250	467.36	292	891
science & technology	250	381.98	272	1173

图像统计数据：

指标	值
总图像数	1,500
每样本图像数	最小: 1, 最大: 1, 平均: 1
分辨率范围	114x66 - 3160x2136
格式	jpeg

样例示例

子集: coarse perception

{
  "input": [
    {
      "id": "57e256b8",
      "content": [
        {
          "text": "Answer the following multiple choice question.\nThe last line of your response should be of the following format:\n'ANSWER: [LETTER]' (without quotes)\nwhere [LETTER] is one of A,B,C,D. Think step by step before answering.\n\nWhich option describe the object relationship in the image correctly?\nOptions: A: The suitcase is on the book., B: The suitcase is beneath the cat., C: The suitcase is beneath the bed., D: The suitcase is beneath the book."
        },
        {
          "image": "[BASE64_IMAGE: jpeg, ~37.2KB]"
        }
      ]
    }
  ],
  "choices": [
    "A",
    "B",
    "C",
    "D"
  ],
  "target": "A",
  "id": 0,
  "group_id": 0,
  "subset_key": "coarse perception",
  "metadata": {
    "index": 0,
    "category": "coarse perception",
    "l2_category": "image scene and topic",
    "source": "MMBench",
    "split": "val",
    "image_path": "images/0.jpg"
  }
}

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 A,B,C,D. Think step by step before answering.

{question}

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_star \
    --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_star'],
    dataset_args={
        'mm_star': {
            # subset_list: ['coarse perception', 'fine-grained perception', 'instance reasoning']  # 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)