你正在做的大模型评测，可能有一半都是无用功

多模态ai模型评估：冗余测试的系统性分析

近期，上海AI Lab、上海交大和浙江大学的研究团队发现，当前流行的多模态大模型基准测试存在大量冗余。该团队对20多个主流基准和100多个模型进行了系统性分析，结果显示，许多测试的效率低下，存在大量重复劳动。

△图表 1 Quick Look

研究发现，减少一半的测试实例，并不会显著影响模型排名。一些任务，例如图像情感和社会关系，其评估能力存在高度重叠；而像名人识别这样的知识型任务，则相对独立。

研究方法

多模态大模型的性能评估依赖于复杂的基准测试。然而，研究团队发现基准测试本身存在冗余：一些维度虽然名称不同，但测试能力高度相似；一些实例高度相似，信息冗余；一些领域内的基准也存在重叠。

为此，研究团队提出了一个衡量基准冗余度的框架，涵盖三个层面：

1. 维度冗余: 评估不同维度间的排序相似性，相似性越高，冗余度越高。
2. 实例冗余: 通过随机抽取实例子集，计算其与完整数据集排序的相关性，相关性越高，冗余度越高。
3. 跨基准冗余: 评估不同基准间的排序相关性，相关性越高，冗余度越高。

该框架利用斯皮尔曼排名相关系数（SRCC）、皮尔逊线性相关系数（PLCC）和R²分数来量化相关性。 此外，研究还进行了Top-K分析，分别分析了性能最佳和最差的模型的冗余情况。

实验结果

研究团队以MMBench基准测试为例，分析了维度冗余。结果显示，图像情感和社会关系任务高度冗余；结构化图像-文本理解与空间关系、OCR和自然关系任务也存在显著冗余；而名人识别任务则相对独立。 Top-50模型的维度冗余度低于Bottom-50模型，这表明高性能模型在不同任务上的表现差异更大。

△ 图表 3 MMBench Top-50 SRCC 子维度热图

△ 图表 4 MMBench Bottom-50 SRCC 子维度热图

实例冗余分析显示，至少50%的实例是冗余的，减少一半实例不会显著影响排名。 Bottom-50模型所需的实例数量少于Top-50模型。

跨基准冗余分析以数学领域为例，研究发现不同数学基准测试的相关性差异较大，MathVista基准测试的冗余度最低。 通过去除MathVista中与数学能力关联性较弱的任务，其与其他基准的冗余度显著增加。

结论与建议

这项研究揭示了多模态大模型基准测试中普遍存在的冗余问题，并提出了一个衡量冗余度的框架。 该框架可以用于优化基准设计，提高评估效率，并最终构建更精简有效的评估生态系统。 研究建议根据领域核心能力和独特能力，设计更有效的基准测试，减少冗余，提高评估效率。

论文链接：https://www./link/ffb5597397de30f24dfafbf479c92861

Github 链接：https://www./link/ba32ac4781099e7ffe65f42e3cdf3d34