OpenBMB/OmniLMM项目中MiniCPM-V 2.0模型在TextVQA基准测试的复现指南

本文主要针对OpenBMB/OmniLMM项目中的MiniCPM-V 2.0多模态大模型在TextVQA基准测试上的评估结果复现问题进行了深入分析。TextVQA是一个重要的视觉问答基准测试，要求模型能够理解图像中的文本信息并回答相关问题。

评估结果差异问题

在实际使用MiniCPM-V 2.0模型进行TextVQA评估时，开发者可能会遇到评估结果与官方技术报告不一致的情况。例如，直接使用模型提供的chat API进行评估时，仅能得到66分的准确率，而官方报告的成绩为74.1分。

官方推荐的评估配置

经过与项目维护者的沟通，我们获得了官方推荐的评估配置参数：

1. 提示词设计：需要在问题前添加"Answer the question directly with a single word"的指令，确保模型输出简洁的单词级回答
2. 生成参数：
   • max_new_tokens: 100
   • sampling: False (使用确定性生成而非随机采样)
   • num_beams: 3 (使用束搜索，束宽为3)

评估实践建议

在实际评估过程中，开发者需要注意以下几点：

1. 输入格式的标准化对评估结果影响很大，必须严格按照推荐的提示词格式
2. 生成参数的微小变化可能导致显著的结果差异，特别是sampling和num_beams参数
3. 对于多模态任务，图像预处理流程也需要与训练时保持一致

其他基准测试的注意事项

值得注意的是，不同基准测试可能需要不同的评估配置。例如在MME基准测试上，开发者报告的成绩甚至超过了官方技术报告的结果(1850分)，这说明：

1. 不同基准测试对参数设置的敏感性不同
2. 可能存在评估流程上的细微差异
3. 某些基准测试可能存在随机性因素

总结

复现大语言模型的基准测试结果需要严格遵循官方评估协议，特别是提示词设计和生成参数的配置。OpenBMB/OmniLMM项目团队表示将会在文档中补充更详细的评估说明，以帮助开发者更好地理解和复现模型性能。对于TextVQA等复杂任务，建议开发者与官方团队保持沟通，确保评估流程的正确性。