MMBench

MMBench是什么

MMBench是多模态基准测试，由上海人工智能实验室、南洋理工大学、香港中文大学、新加坡国立大学和浙江大学的研究人员联合推出。MMBench推出一个综合评估流程，从感知到认知能力逐级细分评估，覆盖20项细粒度能力，从互联网与权威基准数据集采集约3000道单项选择题。打破常规一问一答基于规则匹配提取选项进行评测，循环打乱选项验证输出结果的一致性，基于ChatGPT精准匹配模型回复至选项。MMBench涵盖多种任务类型，如视觉问答、图像描述生成等，基于综合多维度指标，为模型提供全面的性能评估。MMBench 的排行榜展示不同模型在这些任务上的表现，帮助研究者和开发者了解当前多模态技术的发展水平，推动相关领域的技术进步。

MMBench主要功能

• 细粒度能力评估：将多模态能力细分为多个维度（如感知、推理等），针对每个维度设计相关问题，全面评估模型的细粒度能力。
• 大规模多模态数据集：提供约 3000 个多项选择题，覆盖 20 种能力维度，支持模型在多种场景下的性能测试。
• 创新评估策略：采用“循环评估”策略，用多次循环推理测试模型的稳定性，减少噪声影响，提供更可靠的评估结果。
• 多语言支持：提供英文和中文版本的数据集，支持对模型在不同语言环境下的能力评估。
• 数据可视化：支持数据样本的可视化，帮助用户更好地理解数据结构和内容。
• 官方评估工具：提供 VLMEvalKit，支持对多模态模型的标准化评估，并可用于提交测试结果获取准确率。
• 基准测试与排行榜：排行榜展示不同模型在 MMBench 数据集上的性能表现，为研究者提供参考。

如何使用MMBench

• 安装依赖：确保安装必要的工具和库。MMBench 官方推荐使用其评估工具 VLMEvalKit。通过以下命令安装。

pip install vlmevalkit

• 下载数据集：从 MMBench 官方 GitHub 仓库：https://github.com/open-compass/mmbench/下载数据集。根据需求选择 VLMEvalKit 格式或 Legacy 格式的数据集。例如，下载 MMBench-Dev 数据集：

wget <Download Link (VLMEvalKit)> -O MMBench_DEV_EN.zip
unzip MMBench_DEV_EN.zip

• 加载和浏览数据：用 VLMEvalKit 提供的脚本加载和查看数据样本。以下是示例代码：

from vlmeval.dataset import ImageMCQDataset
from vlmeval.smp import mmqa_display

# 加载 MMBench 开发集
dataset = ImageMCQDataset('MMBench_DEV_EN')

# 查看第 0 个样本
dataset.display(0)

# 构建多模态提示
item = dataset.build_prompt(0)
print(item)

• 模型推理：用你的多模态模型对数据集进行推理。以下是一个示例命令，使用 llava_v1.5_7b 模型进行推理：

python run.py --model llava_v1.5_7b --data MMBench_DEV_EN --mode infer

• • 运行后，推理结果将保存为一个 Excel 文件，例如：llava_v1.5_7b/MMBench_DEV_EN.xlsx。
• 评估模型性能：用 VLMEvalKit 对模型的预测结果进行评估。评估工具根据 MMBench 的标准计算准确率等指标。
• 提交测试结果：
  • 在 MMBench 领先榜上提交测试结果，按照以下步骤操作：
    • 使用测试集数据进行推理，生成预测结果文件（如 llava_v1.5_7b/MMBench_TEST_EN.xlsx）。
    • 登录 MMBench 领先榜上传预测结果文件。
    • 领先榜将自动计算并展示模型在各个能力维度上的性能表现。

MMBench的应用场景

• 模型性能评估：MMBench 提供全面的多模态基准测试平台，能对视觉语言模型在不同任务和能力维度上的表现进行细粒度评估，帮助研究者和开发者清晰了解模型的强项和弱项，为模型优化提供方向。
• 学术研究支持：研究人员用 MMBench 数据集进行新模型的开发和验证，推动多模态技术的前沿研究。
• 工业应用开发：在工业领域，企业评估和选择适合其产品的多模态模型，确保所采用的模型在实际应用场景中具备足够的性能和稳定性，提高产品的市场竞争力。
• 教育与培训：作为教学资源，帮助学生和研究人员更好地理解多模态模型的评估方法和应用场景，基于实践项目和课程练习提升对多模态技术的理解和应用能力。
• 跨领域应用：MMBench 的多模态数据集涵盖多个领域，如文化、科学、医疗等，例如 CCBench（中国文化相关基准测试）能评估模型在特定文化领域的表现，推动文化研究和跨文化交流。