VLMEvalKit项目Qwen2.5模型在MathVerse评测中的得分异常分析与解决方案

在开源多模态评测框架VLMEvalKit的实际应用中，开发者Sync-yxh发现了一个值得注意的技术现象：当使用Qwen2.5-vl-instruct-3b模型对MathVerse_MINI_Vision_only数据集进行评测时，模型得分（9.0）显著低于OpenCompass官方报告的基准值（31.2）。经过深入分析，我们揭示了问题本质并提出了有效的解决方案。

问题现象分析

该问题出现在本地vLLM推理环境下，评测过程中观察到以下关键特征：

1. 评测提示词(prompt)采用标准VQA格式，内容为"根据图片中的问题直接回答并给出正确选项字母（如A/B/C/D）"
2. 模型输出结果包含完整推理过程，而非预期的单一选项字母
3. 得分计算逻辑直接对输出结果进行整型转换导致匹配失败

技术原理探究

深入研究发现，Qwen2.5-72B等大模型在数学推理任务中具有以下特性：

1. 输出模式差异：与简单分类模型不同，大语言模型倾向于输出完整推理链
2. 结果格式化：模型会在最终答案前附加分析过程（如"经过计算，正确答案是：A"）
3. 评测适配问题：原始评分逻辑假设输出为纯选项字符，未考虑大模型的复杂输出模式

解决方案实现

针对该问题，我们提出两种技术方案：

方案一：结果提取优化

修改评分逻辑，从模型输出中提取首个字符作为答案判断：

# 原代码
score = int(res) == 1  
# 修改为
score = int(res[0]) == 1

方案二：提示词工程优化

增强提示词的指令约束性：

"请严格按以下格式回答：直接输出选项字母（仅一个大写字母），不要包含任何额外文字。问题：..."

实践建议

对于本地vLLM推理环境的使用者，建议：

1. 对模型输出进行预处理，提取有效答案片段
2. 针对不同模型特性设计差异化的评分策略
3. 建立输出格式校验机制，确保评测结果可靠性
4. 在跨模型比较时注意输出模式的兼容性处理

该案例典型地展示了在大模型评测中格式适配的重要性，为多模态评测系统的实践应用提供了有价值的参考经验。