HallusionBench#

概述#

HallusionBench 是一个高级诊断基准测试，旨在评估大视觉语言模型（LVLMs）的图像上下文推理能力，并检测其产生幻觉的倾向。该基准特别测试模型在语言幻觉和视觉错觉方面的敏感性。

任务描述#

  • 任务类型：幻觉检测与视觉推理

  • 输入：图像 + 关于图像内容的是/否问题

  • 输出：YES 或 NO 答案

  • 领域：幻觉检测、视觉推理、事实准确性

主要特点#

  • 专门设计用于探测幻觉行为

  • 同时测试语言幻觉和视觉错觉

  • 按类别和子类别组织，便于详细分析

  • 使用分组准确率指标进行稳健评估

  • 问题要求精确的图像上下文推理

评估说明#

  • 默认评估使用 image 切分

  • 多种准确率指标：

    • aAcc：答案级准确率（每题）

    • fAcc：图像级准确率（每张图像的所有问题均正确）

    • qAcc：问题级准确率（按问题类型分组）

  • 要求仅输出 YES/NO，无需解释

  • 在子类别、类别和整体层面进行聚合

属性#

属性

值

基准测试名称

hallusion_bench

数据集ID

lmms-lab/HallusionBench

论文

N/A

标签

Hallucination, MultiModal, Yes/No

指标

aAcc, qAcc, fAcc

默认示例数

0-shot

评估切分

image

聚合方式

f1

数据统计#

指标

值

总样本数

951

提示词长度（平均）

136.78 字符

提示词长度（最小/最大）

76 / 292 字符

图像统计：

指标

值

总图像数

951

每样本图像数

最小: 1, 最大: 1, 平均: 1

分辨率范围

388x56 - 5291x4536

格式

png

样例示例#

子集: default

{
  "input": [
    {
      "id": "ba75d669",
      "content": [
        {
          "text": "Is China, Hongkong SAR, the leading importing country of gold, silverware, and jewelry with the highest import value in 2018?\nPlease answer YES or NO without an explanation."
        },
        {
          "image": "[BASE64_IMAGE: png, ~143.0KB]"
        }
      ]
    }
  ],
  "target": "NO",
  "id": 0,
  "group_id": 0,
  "metadata": {
    "category": "VS",
    "subcategory": "chart",
    "visual_input": "1",
    "set_id": "0",
    "figure_id": "1",
    "question_id": "0",
    "gt_answer": "0",
    "gt_answer_details": "Switzerland is the leading importing country of gold, silverware, and jewelry with the highest import value in 2018?"
  }
}

提示模板#

提示模板：

{question}
Please answer YES or NO without an explanation.

使用方法#

使用 CLI#

evalscope eval \
    --model YOUR_MODEL \
    --api-url OPENAI_API_COMPAT_URL \
    --api-key EMPTY_TOKEN \
    --datasets hallusion_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=['hallusion_bench'],
    limit=10,  # 正式评估时请删除此行
)

run_task(task_cfg=task_cfg)