MMBench: 全面评估多模态模型能力的基准测试

MMBench

MMBench:全面评估多模态模型能力的基准测试

在人工智能领域,视觉语言模型(VLM)的快速发展引起了广泛关注。这些模型能够同时处理图像和文本信息,展现出令人印象深刻的多模态理解和推理能力。然而,如何有效评估这些大型VLM的性能,成为了制约该领域进一步发展的一个主要挑战。为了应对这一挑战,研究人员提出了MMBench - 一个旨在全面评估VLM多模态能力的创新基准测试。

MMBench的诞生背景

近年来,视觉语言模型领域涌现出了众多优秀的模型,如MiniGPT-4和LLaVA等。这些模型在处理曾经具有挑战性的任务时展现出了令人瞩目的性能。然而,传统的评估方法在评估这些模型时存在一些局限性:

数据集构建:传统基准测试往往基于特定任务(如图像描述或视觉问答)来评估模型性能。这种方法无法全面捕捉模型所具备的细粒度能力,可能会阻碍未来的优化工作。
评估指标:现有的评估指标缺乏足够的鲁棒性。例如,VQAv2针对单个词或短语进行评估,而当前的许多VLM模型生成的是完整句子。尽管这些句子可能正确回答了相应的问题,但由于无法与给定答案完全匹配,现有评估指标可能会给出"失败"的评分。
主观评估的局限性:最近提出的一些主观评估指标(如mPLUG-Owl中使用的方法)虽然能够对VLM模型进行全面评估,但这些方法需要大量人力参与,难以大规模应用。此外,这些评估结果往往具有较高的偏差性,难以复现。

为了克服这些限制,研究人员提出了MMBench - 一个新型的多模态基准测试。MMBench通过定义一系列细粒度能力并为每种能力收集相关问题,同时引入创新的评估策略,以确保对模型预测进行更加稳健的评估。

MMBench的主要特点

MMBench作为一个全新的多模态基准测试,具有以下突出特点:

全面的能力评估:MMBench涵盖了20个能力维度,包含约3000个精心设计的问题。这些问题以多选题的形式呈现,每个问题只有一个正确答案。这种设计允许对模型的多模态理解能力进行更加细致和全面的评估。
多语言支持:MMBench提供英语和中文两个版本,使得研究者能够在双语环境下对VLM模型进行横向比较。这一特性有助于评估模型的跨语言能力。
创新的评估策略:MMBench引入了"循环评估"(Circular Evaluation)策略,通过多次循环移动选项位置来测试模型的一致性。只有当模型在所有循环中都给出正确答案时,才被认为成功解决了该问题。这种方法大大提高了评估的可靠性。
基于LLM的选择提取器:为了处理VLM模型的自由形式文本输出,MMBench使用了基于大型语言模型(如ChatGPT)的选择提取器。这种方法能够有效地将自由文本转换为特定的选择(A、B、C等),展现出极高的成功率(>99.9%)和与人类专家的良好一致性。
客观性和可复现性:与主观评估方法相比,MMBench提供了更加客观和可复现的评估结果。这一特性对于推动VLM模型的持续改进和公平比较至关重要。

MMBench的数据集构建

MMBench的数据集来源广泛,包括公开数据集和互联网资源。目前,MMBench包含2974个多选题,涵盖20个能力维度。这些能力维度被结构化为3个层次(L-1到L-3):

L-1(顶层能力维度):感知和推理
L-2(中层能力维度):
- 感知:粗粒度感知、细粒度单实例感知、细粒度跨实例感知
- 推理:属性推理、关系推理、逻辑推理
L-3(底层能力维度):从L-2能力维度进一步细分

这种多层次的能力分类使得MMBench能够提供更加精细和信息丰富的评估结果,有助于多模态模型的开发和优化。

MMBench的评估方法

MMBench采用了创新的评估方法,旨在提供更加可靠和全面的评估结果:

循环评估策略(Circular Evaluation Strategy):
- 对于N个选项的单选题,模型需要进行N次推理。
- 每次推理中,选项和对应答案都会进行循环移位。
- 只有模型在所有N次推理中都给出正确答案,才被认为成功解决该问题。
- 这种方法比传统的单次评估更具挑战性,通常会导致10%~20%的Top-1准确率下降。
基于LLM的选择提取器:
- 首先尝试基于规则的匹配,将模型输出与选项进行匹配。
- 如果规则匹配失败,则使用ChatGPT进行选择提取。
- 向ChatGPT提供问题、选项和模型预测,使用特定的提示模板。
- 尝试最多3次提取选择。
- 这种方法展现出极高的成功率(>99.9%)和与人类专家的良好一致性。