首页
/ OpenCompass VLMEvalKit中Qwen2-VL-72B模型评估结果差异分析

OpenCompass VLMEvalKit中Qwen2-VL-72B模型评估结果差异分析

2025-07-03 11:21:08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:

  1. 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
  2. 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
  3. 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:

  1. 获取并对比官方评估记录
  2. 详细分析预测结果差异
  3. 确认非GPT评估结果与官方原始预测一致
  4. 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:

  1. 完整实现官方评估流程,包括GPT辅助评估模块
  2. 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
  3. 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

项目优选

收起
kernelkernel
deepin linux kernel
C
22
6
docsdocs
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
161
2.05 K
nop-entropynop-entropy
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-serveropenGauss-server
openGauss kernel ~ openGauss is an open source relational database management system
C++
146
191
leetcodeleetcode
🔥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
ohos_react_nativeohos_react_native
React Native鸿蒙化仓库
C++
198
279
apintoapinto
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-Vue3RuoYi-Vue3
🎉 (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开源商城ShopXO开源商城
🔥🔥🔥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
Cangjie-ExamplesCangjie-Examples
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