Fabio Rosenthal

研究发现MC-VQA基准测试在LLM评估中存在缺陷

arXiv上发表的一项新研究揭示了常用于评估多模态大语言模型（MLLMs）的多项选择视觉问答（MC-VQA）基准测试中存在的重大缺陷。研究人员发现，在这些基准测试上的表现高度依赖于提示格式中细微的、语义中性的变化，例如选项ID集、分隔符和分割符。这些格式变化可能导致模型性能排名反转，表明MC-VQA可能无法可靠地衡量多模态推理能力。研究表明，当前的MC-VQA评估未能充分控制提示格式敏感性，导致基准测试不可靠，并促使开发新的评估协议。