VLMEvalKit项目中的HallusionBench数据集评测指标解析
2025-07-03 19:34:32作者:戚魁泉Nursing
评测指标计算方法详解
在VLMEvalKit项目的多模态大模型评测中,HallusionBench数据集的得分计算方式与其他常见评测数据集存在显著差异。该数据集采用三项关键指标的平均值作为最终得分,这种设计反映了对模型综合能力的多维评估需求。
核心指标构成
HallusionBench的评测结果包含三个核心指标:
- aAcc(All Accuracy):整体准确率,反映模型在所有测试样本上的综合表现
- fAcc(Fact Accuracy):事实准确性,专门评估模型对客观事实的识别能力
- qAcc(Question Accuracy):问题回答准确率,衡量模型对问题意图的理解程度
得分计算公式
最终得分 = (aAcc + fAcc + qAcc) / 3
以Qwen2-VL-7B模型为例:
- 实测aAcc为67.92%
- 实测fAcc为37.86%
- 实测qAcc为43.95%
- 最终得分 = (67.92 + 37.86 + 43.95)/3 ≈ 49.91
这种计算方法确保了模型需要在不同维度的能力上均衡发展,而非仅依赖单一指标的优势。
与其他数据集的对比
VLMEvalKit项目中不同数据集采用不同的得分计算策略:
-
MMBench数据集
- 采用英文测试集(test_en)和中文测试集(test_cn)得分的平均值
- 体现模型的多语言处理能力
-
MMMU数据集
- 直接使用验证集(validation)的Overall分数作为最终结果
- 该数据集本身已包含丰富的学科分类评估
-
其他多数数据集
- 通常直接采用输出结果中的准确率(acc)或总体(Overall)分数
- 如ScienceQA、POPE等数据集均采用这种直接取值方式
技术意义与评估理念
HallusionBench的三指标平均法具有重要的技术意义:
- 防作弊设计:防止模型通过优化单一指标来"刷分"
- 能力平衡性:要求模型同时具备事实识别、问题理解和综合推理能力
- 评估全面性:相比单一准确率指标,能更全面地反映模型真实水平
这种评估方式特别适合对幻觉(hallucination)现象敏感的评测场景,因为幻觉问题往往同时涉及事实错误和逻辑错误。
实践建议
对于使用VLMEvalKit的研究人员:
- 在对比模型性能时,务必确认各数据集的得分计算方式
- 针对HallusionBench的优化需要平衡三个指标,避免单一指标优化
- 当复现结果与榜单存在差异时,首先检查指标计算方法是否正确
- 多维度分析结果可以帮助发现模型的特定能力短板
这种精细化的评估体系代表了多模态大模型评测的发展趋势,未来可能会有更多数据集采用类似的复合指标评估方法。
登录后查看全文
热门项目推荐
HunyuanImage-3.0
HunyuanImage-3.0 统一多模态理解与生成,基于自回归框架,实现文本生成图像,性能媲美或超越领先闭源模型00ops-transformer
本项目是CANN提供的transformer类大模型算子库,实现网络在NPU上加速计算。C++043Hunyuan3D-Part
腾讯混元3D-Part00GitCode-文心大模型-智源研究院AI应用开发大赛
GitCode&文心大模型&智源研究院强强联合,发起的AI应用开发大赛;总奖池8W,单人最高可得价值3W奖励。快来参加吧~0287Hunyuan3D-Omni
腾讯混元3D-Omni:3D版ControlNet突破多模态控制,实现高精度3D资产生成00Spark-Chemistry-X1-13B
科大讯飞星火化学-X1-13B (iFLYTEK Spark Chemistry-X1-13B) 是一款专为化学领域优化的大语言模型。它由星火-X1 (Spark-X1) 基础模型微调而来,在化学知识问答、分子性质预测、化学名称转换和科学推理方面展现出强大的能力,同时保持了强大的通用语言理解与生成能力。Python00GOT-OCR-2.0-hf
阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00- HHowToCook程序员在家做饭方法指南。Programmer's guide about how to cook at home (Chinese only).Dockerfile09
- PpathwayPathway is an open framework for high-throughput and low-latency real-time data processing.Python00
最新内容推荐
PADS元器件位号居中脚本:提升PCB设计效率的自动化利器 QT连接阿里云MySQL数据库完整指南:从环境配置到问题解决 SteamVR 1.2.3 Unity插件:兼容Unity 2019及更低版本的VR开发终极解决方案 全球36个生物多样性热点地区KML矢量图资源详解与应用指南 Windows版Redis 5.0.14下载资源:高效内存数据库的完美Windows解决方案 PANTONE潘通AI色板库:设计师必备的色彩管理利器 OpenSSL 3.3.0资源下载指南:新一代加密库的全面解析与部署教程 ReportMachine.v7.0D5-XE10:Delphi报表生成利器深度解析与实战指南 瀚高迁移工具migration-4.1.4:企业级数据库迁移的智能解决方案 全球GEOJSON地理数据资源下载指南 - 高效获取地理空间数据的完整解决方案
项目优选
收起

deepin linux kernel
C
22
6

OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
161
2.05 K

Nop Platform 2.0是基于可逆计算理论实现的采用面向语言编程范式的新一代低代码开发平台,包含基于全新原理从零开始研发的GraphQL引擎、ORM引擎、工作流引擎、报表引擎、规则引擎、批处理引引擎等完整设计。nop-entropy是它的后端部分,采用java语言实现,可选择集成Spring框架或者Quarkus框架。中小企业可以免费商用
Java
8
0

openGauss kernel ~ openGauss is an open source relational database management system
C++
146
191

🔥LeetCode solutions in any programming language | 多种编程语言实现 LeetCode、《剑指 Offer(第 2 版)》、《程序员面试金典(第 6 版)》题解
Java
60
16

React Native鸿蒙化仓库
C++
198
279

基于golang开发的网关。具有各种插件,可以自行扩展,即插即用。此外,它可以快速帮助企业管理API服务,提高API服务的稳定性和安全性。
Go
22
0

🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
949
556

🔥🔥🔥ShopXO企业级免费开源商城系统,可视化DIY拖拽装修、包含PC、H5、多端小程序(微信+支付宝+百度+头条&抖音+QQ+快手)、APP、多仓库、多商户、多门店、IM客服、进销存,遵循MIT开源协议发布、基于ThinkPHP8框架研发
JavaScript
96
15

本仓将收集和展示高质量的仓颉示例代码,欢迎大家投稿,让全世界看到您的妙趣设计,也让更多人通过您的编码理解和喜爱仓颉语言。
Cangjie
346
1.33 K