OpenCompass VLMEvalKit中Qwen2-VL-72B模型评估结果差异分析
2025-07-03 14:41:19作者:仰钰奇
在开源多模态评估框架VLMEvalKit的最新实践中,研究者发现使用Qwen2-VL-72B-Instruct模型进行基准测试时,其评估结果与官方榜单存在显著差异。本文将从技术角度深入剖析这一现象背后的原因,并为开发者提供解决方案。
核心问题现象
当开发者按照标准流程复现Qwen2-VL-72B-Instruct模型的评估时,观察到在AI2D_TEST等关键基准测试上的得分明显低于官方报告结果。具体表现为:
- AI2D_TEST测试集得分差距达3.9分
- 其他多选题基准测试也存在类似差异
- 非GPT依赖型测试(如HallusionBench)的差异在预期范围内
技术原因分析
经过深入排查,发现差异主要来源于评估流程中的关键环节——选项标签提取机制。官方评估采用了以下技术方案:
- GPT辅助评估机制:对于MMMU、AI2D_TEST等多选题基准,官方使用GPT-3.5-Turbo进行选项标签提取
- 纯模型评估限制:开发者复现时未接入GPT服务,直接使用原始模型输出
- 语义理解差异:GPT在选项匹配和语义理解方面表现更优,导致最终得分差异
解决方案验证
研究团队通过以下步骤验证了问题根源:
- 获取并对比官方评估记录
- 详细分析预测结果差异
- 确认非GPT评估结果与官方原始预测一致
- 确认差异完全来自GPT辅助评估环节
实践建议
对于希望准确复现评估结果的研究者,建议:
- 完整实现官方评估流程,包括GPT辅助评估模块
- 对于无法使用GPT的情况,应在论文中明确说明评估条件差异
- 关注非GPT依赖型测试结果作为模型能力的补充验证
该案例揭示了多模态评估中辅助工具的重要性,提醒研究者在模型对比时需确保评估条件的一致性。VLMEvalKit框架的模块化设计使得开发者可以灵活配置评估流程,但同时也需要注意各环节对最终结果的影响。
登录后查看全文
热门项目推荐
相关项目推荐
PaddleOCR-VL
PaddleOCR-VL 是一款顶尖且资源高效的文档解析专用模型。其核心组件为 PaddleOCR-VL-0.9B,这是一款精简却功能强大的视觉语言模型(VLM)。该模型融合了 NaViT 风格的动态分辨率视觉编码器与 ERNIE-4.5-0.3B 语言模型,可实现精准的元素识别。Python00- DDeepSeek-V3.2-ExpDeepSeek-V3.2-Exp是DeepSeek推出的实验性模型,基于V3.1-Terminus架构,创新引入DeepSeek Sparse Attention稀疏注意力机制,在保持模型输出质量的同时,大幅提升长文本场景下的训练与推理效率。该模型在MMLU-Pro、GPQA-Diamond等多领域公开基准测试中表现与V3.1-Terminus相当,支持HuggingFace、SGLang、vLLM等多种本地运行方式,开源内核设计便于研究,采用MIT许可证。【此简介由AI生成】Python00
openPangu-Ultra-MoE-718B-V1.1
昇腾原生的开源盘古 Ultra-MoE-718B-V1.1 语言模型Python00HunyuanWorld-Mirror
混元3D世界重建模型,支持多模态先验注入和多任务统一输出Python00AI内容魔方
AI内容专区,汇集全球AI开源项目,集结模块、可组合的内容,致力于分享、交流。03Spark-Scilit-X1-13B
FLYTEK Spark Scilit-X1-13B is based on the latest generation of iFLYTEK Foundation Model, and has been trained on multiple core tasks derived from scientific literature. As a large language model tailored for academic research scenarios, it has shown excellent performance in Paper Assisted Reading, Academic Translation, English Polishing, and Review Generation, aiming to provide efficient and accurate intelligent assistance for researchers, faculty members, and students.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).Dockerfile013
- PpathwayPathway is an open framework for high-throughput and low-latency real-time data processing.Python00
热门内容推荐
1 freeCodeCamp全栈开发课程中React组件导出方式的衔接问题分析2 freeCodeCamp英语课程视频测验选项与提示不匹配问题分析3 freeCodeCamp英语课程填空题提示缺失问题分析4 freeCodeCamp Cafe Menu项目中link元素的void特性解析5 freeCodeCamp 课程中关于角色与职责描述的语法优化建议 6 freeCodeCamp全栈开发课程中测验游戏项目的参数顺序问题解析7 freeCodeCamp全栈开发课程中React实验项目的分类修正8 freeCodeCamp猫照片应用教程中的HTML注释测试问题分析9 freeCodeCamp博客页面工作坊中的断言方法优化建议10 freeCodeCamp论坛排行榜项目中的错误日志规范要求
项目优选
收起

deepin linux kernel
C
23
6

OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
237
2.36 K

仓颉编程语言运行时与标准库。
Cangjie
122
95

暂无简介
Dart
538
117

仓颉编译器源码及 cjdb 调试工具。
C++
114
83

React Native鸿蒙化仓库
JavaScript
216
291

Ascend Extension for PyTorch
Python
77
109

🎉 (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
995
588

本项目是CANN提供的数学类基础计算算子库,实现网络在NPU上加速计算。
C++
568
113

LLVM 项目是一个模块化、可复用的编译器及工具链技术的集合。此fork用于添加仓颉编译器的功能,并支持仓颉编译器项目。
C++
32
25