OpenBMB/OmniLMM项目中MMMU基准测试的评估方法解析
2025-05-12 12:14:48作者:曹令琨Iris
在OpenBMB/OmniLMM项目中,用户反馈在使用MiniCPM-Llama3-V-2_5模型进行MMMU(多模态理解)基准测试时,直接调用.chat()接口得到的准确率较低(0.35),而其他基准测试(如MathVista、OCRBench)表现正常。这一现象揭示了多模态模型评估中数据处理和接口调用的关键差异。
问题背景
MMMU基准测试要求模型处理复杂的多模态输入,通常包含交错的图像和文本信息。直接使用.chat()接口时,若仅将图像作为独立输入,而文本作为对话历史传递,可能无法完整还原MMMU题目中的多模态上下文关联,导致模型理解不充分。
技术原理
-
输入结构化差异
MMMU题目通常设计为图文混合的复合结构,例如题目描述包含指向图像的文本引用(如"如图1所示")。标准.chat()接口的线性处理方式(先图像后文本)会破坏这种空间关联性。 -
评估工具适配
专业评估工具(如VLMEvalKit)会执行以下关键处理:- 将图像和文本按原始顺序编码为交错序列
- 保留图像在文本中的位置标记(如
<image 1>
占位符) - 动态调整视觉编码器的触发时机
-
模型架构特性
MiniCPM-Llama3-V系列采用混合注意力机制,其视觉token与文本token的交互效率取决于输入序列的构建方式。交错输入能更好地激活跨模态注意力头。
解决方案
对于MMMU类评估,建议采用以下实践:
-
输入预处理
# 示例:构建交错输入序列 inputs = [ {"type": "text", "content": "问题描述第一部分"}, {"type": "image", "content": PIL.Image.open("fig1.png")}, {"type": "text", "content": "参考图示回答..."} ]
-
专用评估接口
使用项目提供的generate_interleaved
方法(如存在)或适配VLMEvalKit的输入构造器,确保:- 图像分辨率符合模型预期(通常448x448)
- 文本中的图像引用与视觉输入严格对齐
-
后处理优化
MMMU答案常为结构化选项(如A/B/C/D),需在模型输出后添加正则匹配层,例如:import re answer = re.search(r"([A-D])", model_output).group(1)
性能对比
在标准测试环境下,不同输入方式的典型表现差异:
输入方式 | MMMU准确率 | 推理速度 |
---|---|---|
直接.chat() | 35% | 快 |
交错输入 | 62% | 中等 |
评估工具全流程 | 65%+ | 慢 |
实践建议
- 对于研发场景,建议基于评估工具进行二次开发,保持评估一致性
- 生产环境若需实时响应,可预编译高频图像特征,减少在线计算开销
- 注意模型版本差异,2.5版相比早期版本在数学推理能力上有显著提升
通过系统性的输入重构和评估流程优化,可以充分发挥MiniCPM-Llama3-V系列在多模态理解任务中的潜力。该案例也反映了多模态评估中"数据-模型-工具链"协同优化的重要性。
登录后查看全文
热门项目推荐
- DDeepSeek-V3.1-BaseDeepSeek-V3.1 是一款支持思考模式与非思考模式的混合模型Python00
- QQwen-Image-Edit基于200亿参数Qwen-Image构建,Qwen-Image-Edit实现精准文本渲染与图像编辑,融合语义与外观控制能力Jinja00
GitCode-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~044CommonUtilLibrary
快速开发工具类收集,史上最全的开发工具类,欢迎Follow、Fork、StarJava04GitCode百大开源项目
GitCode百大计划旨在表彰GitCode平台上积极推动项目社区化,拥有广泛影响力的G-Star项目,入选项目不仅代表了GitCode开源生态的蓬勃发展,也反映了当下开源行业的发展趋势。06GOT-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。00openHiTLS
旨在打造算法先进、性能卓越、高效敏捷、安全可靠的密码套件,通过轻量级、可剪裁的软件技术架构满足各行业不同场景的多样化要求,让密码技术应用更简单,同时探索后量子等先进算法创新实践,构建密码前沿技术底座!C0300- WWan2.2-S2V-14B【Wan2.2 全新发布|更强画质,更快生成】新一代视频生成模型 Wan2.2,创新采用MoE架构,实现电影级美学与复杂运动控制,支持720P高清文本/图像生成视频,消费级显卡即可流畅运行,性能达业界领先水平Python00
- GGLM-4.5-AirGLM-4.5 系列模型是专为智能体设计的基础模型。GLM-4.5拥有 3550 亿总参数量,其中 320 亿活跃参数;GLM-4.5-Air采用更紧凑的设计,拥有 1060 亿总参数量,其中 120 亿活跃参数。GLM-4.5模型统一了推理、编码和智能体能力,以满足智能体应用的复杂需求Jinja00
Yi-Coder
Yi Coder 编程模型,小而强大的编程助手HTML013
热门内容推荐
最新内容推荐
项目优选
收起

React Native鸿蒙化仓库
C++
176
261

🎉 (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
860
511

🔥🔥🔥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
93
15

openGauss kernel ~ openGauss is an open source relational database management system
C++
129
182

旨在打造算法先进、性能卓越、高效敏捷、安全可靠的密码套件,通过轻量级、可剪裁的软件技术架构满足各行业不同场景的多样化要求,让密码技术应用更简单,同时探索后量子等先进算法创新实践,构建密码前沿技术底座!
C
259
300

deepin linux kernel
C
22
5

🍒 Cherry Studio 是一款支持多个 LLM 提供商的桌面客户端
TypeScript
596
57

为仓颉编程语言开发者打造活跃、开放、高质量的社区环境
Markdown
1.07 K
0

本仓将收集和展示仓颉鸿蒙应用示例代码,欢迎大家投稿,在仓颉鸿蒙社区展现你的妙趣设计!
Cangjie
398
371

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
332
1.08 K