MMStar

MMStar

大型视觉语言模型评估的新标准

MMStar是一个创新的多模态评估基准,包含1500个精选的视觉关键样本。它解决了现有评估中的视觉冗余和数据泄露问题,提高了多模态性能评估的准确性。MMStar涵盖6大核心能力和18个细分维度,每个核心能力均衡分配250个样本。项目提供评估工具、数据集和在线排行榜,为视觉语言模型研究指明新方向。

MMStar多模态评估视觉语言模型基准测试人工智能Github开源项目

<img src="https://yellow-cdn.veclightyear.com/ab5030c0/1099b83c-51c3-49fc-8375-9b0a9117ee11.png" style="vertical-align: -10px;" :height="50px" width="50px"> MMStar

🌐 主页 | 🤗 数据集 | 📖 论文 | 🏆 排行榜

本仓库包含论文"我们是否正确评估大型视觉语言模型?"的官方评估代码和数据集。

💡 亮点

  • 🔥 导致当前LVLM能力误判的两个关键问题
  • 🔥 一个精英视觉不可或缺的多模态基准,MMStar
  • 🔥 两个指标:多模态增益(MG)和多模态泄露(ML)

📜 新闻

[2024.4.16] 🚀 MMStar已在VLMEvalKit仓库和OpenCompass排行榜中得到支持。

[2024.4.2] 🚀 Huggingface数据集评估代码已可用!

[2024.4.1] 🚀 我们发布了ArXiv论文

👨‍💻 待办事项

  • MMStar的评估代码
  • 支持在线排行榜
  • 筹备在线测试集,MMStar-test(这涉及与现有包含受保护测试集的多模态基准合作,欢迎联系我们!)

👀 介绍

我们深入研究了当前的评估工作,并识别出两个主要问题:

(1) 许多样本中视觉内容是不必要的。

<p align="center"> <img src="https://yellow-cdn.veclightyear.com/ab5030c0/a33e2ab7-5357-4188-8073-d3fc41e01f21.png" :height="200px" width="700px"> </p>

(2) LLM和LVLM训练中存在无意的数据泄露。

<p align="center"> <img src="https://yellow-cdn.veclightyear.com/ab5030c0/089f28a6-6b20-452f-9a8b-8942a20bb9e2.png" :height="200px" width="500px"> </p>

这两个问题都导致了对实际多模态性能增益的误判,并可能误导LVLM的研究。为此,**我们提出了MMStar,一个由人工精心挑选的1,500个挑战样本组成的精英视觉不可或缺的多模态基准。**经过粗略筛选和人工审核,我们从总共22,401个样本中筛选出11,607个候选样本,最终选择1,500个高质量样本构建我们的MMStar基准。

<p align="center"> <img src="https://yellow-cdn.veclightyear.com/ab5030c0/3b6f0c4f-1643-4da2-9332-4ffe0d8cabdc.png" :height="200px" width="600px"> </p>

在MMStar中,我们在内环展示了6个核心能力,外环呈现了18个详细轴。中环展示了每个详细维度的样本数量。每个核心能力包含精心平衡的250个样本。我们进一步确保了18个详细轴之间的相对均匀分布。

<p align="center"> <img src="https://yellow-cdn.veclightyear.com/ab5030c0/faaa2299-bb6a-44f8-982e-d18bfd4f3d91.png" :height="400px" width="400px"> </p>

🤖 评估

您可以按照评估指南在我们的MMStar上评估任何LLM和LVLM。

🏆 排行榜

🎯 MMStar的排行榜正在持续更新,欢迎贡献您的LVLM!

请注意,为了全面评估您自己的LVLM,您需要提供三个xlsx格式的结果文件。这些应包括您的LVLM带视觉输入的结果、您的LVLM不带视觉输入的结果,以及您的原始LLM基础模型不带视觉输入的结果。我们在submits文件夹中提供了提交格式。完成上述步骤后,请通过chlin@mail.ustc.edu.cn与我们联系,提交您的结果并更新排行榜。

📧 联系方式

✒️ 引用

如果您发现我们的工作对您的研究有帮助,请考虑给予星标⭐和引用📝

@article{chen2024we, title={Are We on the Right Way for Evaluating Large Vision-Language Models?}, author={Chen, Lin and Li, Jinsong and Dong, Xiaoyi and Zhang, Pan and Zang, Yuhang and Chen, Zehui and Duan, Haodong and Wang, Jiaqi and Qiao, Yu and Lin, Dahua and others}, journal={arXiv preprint arXiv:2403.20330}, year={2024} }

编辑推荐精选

AEE

AEE

AI Excel全自动制表工具

AEE 在线 AI 全自动 Excel 编辑器,提供智能录入、自动公式、数据整理、图表生成等功能,高效处理 Excel 任务,提升办公效率。支持自动高亮数据、批量计算、不规则数据录入,适用于企业、教育、金融等多场景。

UI-TARS-desktop

UI-TARS-desktop

基于 UI-TARS 视觉语言模型的桌面应用,可通过自然语言控制计算机进行多模态操作。

UI-TARS-desktop 是一款功能强大的桌面应用,基于 UI-TARS(视觉语言模型)构建。它具备自然语言控制、截图与视觉识别、精确的鼠标键盘控制等功能,支持跨平台使用(Windows/MacOS),能提供实时反馈和状态显示,且数据完全本地处理,保障隐私安全。该应用集成了多种大语言模型和搜索方式,还可进行文件系统操作。适用于需要智能交互和自动化任务的场景,如信息检索、文件管理等。其提供了详细的文档,包括快速启动、部署、贡献指南和 SDK 使用说明等,方便开发者使用和扩展。

Wan2.1

Wan2.1

开源且先进的大规模视频生成模型项目

Wan2.1 是一个开源且先进的大规模视频生成模型项目,支持文本到图像、文本到视频、图像到视频等多种生成任务。它具备丰富的配置选项,可调整分辨率、扩散步数等参数,还能对提示词进行增强。使用了多种先进技术和工具,在视频和图像生成领域具有广泛应用前景,适合研究人员和开发者使用。

爱图表

爱图表

全流程 AI 驱动的数据可视化工具,助力用户轻松创作高颜值图表

爱图表(aitubiao.com)就是AI图表,是由镝数科技推出的一款创新型智能数据可视化平台,专注于为用户提供便捷的图表生成、数据分析和报告撰写服务。爱图表是中国首个在图表场景接入DeepSeek的产品。通过接入前沿的DeepSeek系列AI模型,爱图表结合强大的数据处理能力与智能化功能,致力于帮助职场人士高效处理和表达数据,提升工作效率和报告质量。

Qwen2.5-VL

Qwen2.5-VL

一款强大的视觉语言模型,支持图像和视频输入

Qwen2.5-VL 是一款强大的视觉语言模型,支持图像和视频输入,可用于多种场景,如商品特点总结、图像文字识别等。项目提供了 OpenAI API 服务、Web UI 示例等部署方式,还包含了视觉处理工具,有助于开发者快速集成和使用,提升工作效率。

HunyuanVideo

HunyuanVideo

HunyuanVideo 是一个可基于文本生成高质量图像和视频的项目。

HunyuanVideo 是一个专注于文本到图像及视频生成的项目。它具备强大的视频生成能力,支持多种分辨率和视频长度选择,能根据用户输入的文本生成逼真的图像和视频。使用先进的技术架构和算法,可灵活调整生成参数,满足不同场景的需求,是文本生成图像视频领域的优质工具。

WebUI for Browser Use

WebUI for Browser Use

一个基于 Gradio 构建的 WebUI,支持与浏览器智能体进行便捷交互。

WebUI for Browser Use 是一个强大的项目,它集成了多种大型语言模型,支持自定义浏览器使用,具备持久化浏览器会话等功能。用户可以通过简洁友好的界面轻松控制浏览器智能体完成各类任务,无论是数据提取、网页导航还是表单填写等操作都能高效实现,有利于提高工作效率和获取信息的便捷性。该项目适合开发者、研究人员以及需要自动化浏览器操作的人群使用,在 SEO 优化方面,其关键词涵盖浏览器使用、WebUI、大型语言模型集成等,有助于提高网页在搜索引擎中的曝光度。

xiaozhi-esp32

xiaozhi-esp32

基于 ESP32 的小智 AI 开发项目,支持多种网络连接与协议,实现语音交互等功能。

xiaozhi-esp32 是一个极具创新性的基于 ESP32 的开发项目,专注于人工智能语音交互领域。项目涵盖了丰富的功能,如网络连接、OTA 升级、设备激活等,同时支持多种语言。无论是开发爱好者还是专业开发者,都能借助该项目快速搭建起高效的 AI 语音交互系统,为智能设备开发提供强大助力。

olmocr

olmocr

一个用于 OCR 的项目,支持多种模型和服务器进行 PDF 到 Markdown 的转换,并提供测试和报告功能。

olmocr 是一个专注于光学字符识别(OCR)的 Python 项目,由 Allen Institute for Artificial Intelligence 开发。它支持多种模型和服务器,如 vllm、sglang、OpenAI 等,可将 PDF 文件的页面转换为 Markdown 格式。项目还提供了测试框架和 HTML 报告生成功能,方便用户对 OCR 结果进行评估和分析。适用于科研、文档处理等领域,有助于提高工作效率和准确性。

飞书多维表格

飞书多维表格

飞书多维表格 ×DeepSeek R1 满血版

飞书多维表格联合 DeepSeek R1 模型,提供 AI 自动化解决方案,支持批量写作、数据分析、跨模态处理等功能,适用于电商、短视频、影视创作等场景,提升企业生产力与创作效率。关键词:飞书多维表格、DeepSeek R1、AI 自动化、批量处理、企业协同工具。

下拉加载更多