TIR-Bench#

概述#

TIR-Bench（Thinking-with-Images Reasoning Benchmark）是一个全面的多模态基准测试，用于评估视觉语言模型的具身视觉推理能力。该基准涵盖多种任务类别，要求模型具备空间、组合式及多步骤的视觉推理能力。

任务描述#

任务类型：多任务视觉推理（选择题、OCR、单词搜索、找不同、拼图等）
输入：一张或两张图像 + 问题（大多数任务采用选择题格式）
输出：答案字母（选择题）或数字/文本形式的答案（取决于任务类型）
领域：instrument（仪器）、color（颜色）、refcoco、rotation_game（旋转游戏）、math（数学）、word_search（单词搜索）、visual_search（视觉搜索）、ocr、symbolic（符号）、spot_difference（找不同）、contrast（对比）、jigsaw（拼图）、maze（迷宫）

核心特性#

包含13种多样化的视觉推理任务类别，共计1,215个测试样本
覆盖单图和双图推理场景
答案形式包括字母选项（A-J）、整数、浮点数和文本
采用任务特定评分机制，并辅以LLM-as-judge作为后备方案，确保评估的鲁棒性

评估说明#

默认使用 test 划分进行评估（共1,215个样本）
主要指标：准确率（acc）
图像数据通过 ModelScope 下载为 data.zip 并自动解压
基于规则的评分方式：
- OCR（子串匹配）
- 拼图（grid IoU）
- 找不同（set IoU）
- 单词搜索（数值匹配）
- 其他所有任务（选择题 / 数值判断）
推荐设置：将 judge_strategy=JudgeStrategy.LLM_RECALL 并提供 judge_model_args，以启用 LLM-as-judge 作为召回机制——仅当基于规则的评分结果为0时才调用判别模型，在避免不必要 API 开销的同时提升评估准确性
论文 | GitHub

属性#

属性	值
基准测试名称	`tir_bench`
数据集ID	evalscope/TIR-Bench
论文	Paper
标签	`MultiModal`, `QA`, `Reasoning`
指标	`acc`
默认示例数	0-shot
评估划分	`test`

数据统计#

指标	值
总样本数	1,215
提示词长度（平均）	384.97 字符
提示词长度（最小/最大）	19 / 4039 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
`instrument`	80	110.96	57	196
`color`	100	130.26	98	241
`refcoco`	120	144.51	132	182
`rotation_game`	75	146.44	140	148
`math`	120	126.69	50	397
`word_search`	100	126.72	24	307
`visual_search`	120	111.64	19	501
`ocr`	60	35.08	29	116
`symbolic`	50	88.18	66	243
`spot_difference`	100	1114.79	93	1379
`contrast`	50	48.1	31	123
`jigsaw`	120	605	605	605
`maze`	120	1527.06	626	4039

图像统计数据：

指标	值
图像总数	1,255
每样本图像数	最小: 1, 最大: 2, 平均: 1.03
分辨率范围	60x23 - 6944x9280
格式	jpeg, mpo, png, webp

样例示例#

子集: instrument

{
  "input": [
    {
      "id": "dd25f10d",
      "content": [
        {
          "image": "[BASE64_IMAGE: jpg, ~2.9MB]"
        },
        {
          "text": "According to the image, what is the thermometer reading in Fahrenheit? Answer as an integer like 1,2,3."
        }
      ]
    }
  ],
  "target": "72",
  "id": 0,
  "group_id": 0,
  "subset_key": "instrument",
  "metadata": {
    "task": "instrument",
    "meta_data": {},
    "id": 6
  }
}

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 tir_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=['tir_bench'],
    dataset_args={
        'tir_bench': {
            # subset_list: ['instrument', 'color', 'refcoco']  # 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)