MarkTechPost AI生成式AI

使用穩健數據載入與自動評判,以Moonshot PerceptionBench評估多模態視覺模型

2026年8月3日 22:26

重點摘要

本教學設計了一個端到端評估流程,用於Moonshot PerceptionBench,這是一個衡量多模態視覺模型細粒度感知能力的基準,涵蓋OCR、計數、定位、上下文推理等任務。流程包含穩健的數據載入、多種後端模型支援(如盲測基準、OpenAI相容API及本地Hugging Face模型),以及基於規則或LLM輔助的自動評判機制,最終產出可重現的預測與報告。

站內 AI 整理稿

In this tutorial, we design an end-to-end evaluation workflow for PerceptionBench. This multimodal benchmark measures fine-grained visual perception capabilities across tasks such as OCR, counting, localization, contextual reasoning, comparison, depth understanding, and hallucination detection. We begin by configuring a Colab-compatible environment, installing the required libraries, and loading a balanced subset of the dataset through a robust multi-stage streaming and download strategy. We then decode base64-encoded images, parse interleaved image placeholders, normalize each example into a consistent record format, and analyze the dataset’s capability distribution, image requirements, answer types, and source benchmarks. From there, we construct a unified evaluation harness that supports a blind-prior baseline, OpenAI-compatible multimodal APIs, and local Hugging Face vision-language models. We also implement rule-based and optional LLM-assisted judging, calculate bootstrap confidence intervals, examine performance across difficulty slices, compare capability profiles with the included leaderboard, and export reproducible prediction and reporting artifacts. Copy CodeCopiedUse a different Browserimport os, sys, io, re, json, time, math, base64, random, hashlib, subprocess, warnings from collections import Counter, defaultdict from concurrent. futures import ThreadPoolExecutor, as_completed warnings. filterwarnings("ignore") CFG = dict( REPO = "moonshotai/PerceptionBench", SPLIT = "train", N_PER_CATEGORY = 12, MAX_SCAN = 1200, SEED = 0, LOAD_MODE = "stream", BACKEND = "blind", API_BASE = os.

Related

相關文章

智東西生成式AI

又一國產模型重磅開源!有聲視頻編輯全球第一,16家芯片及平臺首日適配

智東西(公眾號:zhidxcom) 作者 | 楊京麗 編輯 | 李水青 智東西8月3日報道,今日,MiniMax正式開源新一代通用視頻模型MiniMax H3。 MiniMax H3是一個通用型全模態生成系統,可統一理解文本、圖像、視頻和音頻組成的多模態上下文,生成最長15秒、最高2K分辨率並帶有原生立體聲音頻的視頻。 此前7月31日,MiniMax H3發佈。

1 小時前

豆包輸入法撕開語音口子,扒開科大訊飛外衣

# 豆包輸入法撕開語音口子,科大訊飛的護城河為何失效? 大模型戰火正在燒向一個用戶習以為常、卻高頻剛需的角落——輸入法。這個被視為“最後一公里”的關鍵入口,迎來了新一轮殘酷洗牌。當搜狗、訊飛、百度、微信等老牌廠商佔據超過84%市場份額時,看似固若金湯的格局,卻被一款新產品迅速撕開裂口:豆包輸入法。 據MobTech研究院數據,2025年11月豆包輸入法上線首周下載量即突破5000萬,日活躍用戶衝上1200萬,刷新了輸入法新品增長紀錄。

3 小時前

Claude 焚書又“越獄”邊界在哪?

# Claude 焚书又“越獄”,Anthropic的邊界何在? **——從“巴拿馬計劃”到模型逃逸,AI巨頭的數據饑渴正同時撕開物理與數字邊界** 2026年7月底,人工智能公司Anthropic的兩件事同時被推至聚光燈下,分別觸及物理世界與數字世界的邊界。一方面,法庭解封的“巴拿馬計劃”內部文件顯示,這家公司通過二手書商大宗採購實體書籍,用液壓機切除書脊、掃描內容,再將紙張送入碎紙機,試圖將50萬至200萬冊書籍“破壞性掃描”為訓練數據。

3 小時前

靠做“中間商”生意估值20億美元,Liblib跑出了奇蹟還是泡沫?

在AI領域普遍追求「得大模型者得天下」的浪潮中,一家不走尋常路的應用層公司卻交出了截然不同的成績單。演語科技(Evoken)於6月18日宣布完成近3億美元的B+輪融資,投後估值一舉突破20億美元,成為中國AI應用層至今為止規模最大的單輪融資之一。多數人或許對演語科技這個集團品牌感到陌生,但其旗下產品LiblibAI以及Liblib這個名稱,在業界早已廣為人知。此次融資也是演語科技首次以集團身分對外發聲。 在大量AI初創公司仍依賴投資人耐心爭取時間窗口的當下,這家沒有自研大模型的企業卻成了最會賺錢的AI應用之一。

3 小時前

大模型公司估值,正在降權「SOTA敘事」

7月之后,资本市场对大模型公司的估值逻辑正在发生显著变化:单一大模型在榜单上的领先排名,已经不足以支撑长期估值溢价。8月3日,阿里巴巴发布Qwen 3.8-Max版正式版,港股当日上涨6.75%;而在此前半个月,Kimi K3的发布却让智谱和MiniMax股价坐上过山车。同样是竞争对手发布新模型,市场给出的反应截然不同,这背后折射出投资者对“SOTA叙事”的降权。 7月17日,Kimi K3发布,其在Artificial Analysis(AA)的编程评分一度位列第一。这一排名直接冲击了智谱依靠GLM-5.

3 小時前

無人再議AI六小龍

# 無人再議AI六小龍:三年分化背後,大模型行業正從技術敘事走向商業現實 「AI六小龍」這個稱謂,正在成為一個頗具時代氣息的歷史標籤。三年前,智譜、MiniMax、月之暗面、階躍星辰、百川智能和零一萬物被市場共同裝進同一個籃子裡比較——誰的模型參數更大,誰的融資速度更快,誰更有希望成為「中國的OpenAI」。彼時,技術敘事是AI創業的第一針強心劑,資本的熱情幾乎全部押注在AGI的遠期想象力之上。 三年過去,潮水退去,賽道並未如預期般跑出唯一的贏家,反而走出了六條截然不同的路徑。

3 小時前