克雷西发自凹非寺
量子位公众号 QbitAI
Claude 3.5 Sonnet 的图表推理能力，比 GPT-4o 高出了 27.8%。
针对多模态大模型在图表任务上的表现，陈丹琦团队提出了新的测试基准。
新 Benchmark 比以往更有区分度，也让一众传统测试中的高分模型暴露出了真实能力。
该数据集名为CharXiv，内容全部选自 arXiv 论文中的真实图表，共计 2323 张。
相比此前的 FigureQA 等测试基准，CharXiv 涵盖的任务类型更加广泛，而且不按套路出牌，难度大幅增加。
为了宣传这套新 Benchmark，研究团队还写出了一首洗脑神曲，并制作了视频宣传片。
【视频请到公众号查看】
这段魔性的宣传片，让有些网友表示已经被成功“洗脑”，脑海中充满了（歌词中的）“2323 张图表”。
导师陈丹琦也感到印象十分深刻，直言这是自己见过最 fancy 的视频。
那么，CharXiv 究竟新在哪，又难在哪呢？
来自学术论文的图表测试集
团队指出，过去的表格测试标准太过简单，而且不能反映模型的真实水平。
比如 FigureQA、DVQA 和 ChartQA 的子集，只要稍作简单修改，模型的成绩就能下降超过1/3。
究其原因，作者认为是之前的数据集中图表都是由程序合成，问答也高度模板化。
于是，研究团队提出了 CharXiv，由人类专家从 arXiv 论文中精心选择了 2323 个真实图表。
图表的类型也更加丰富，提出的问题也避免了套路化的问题。
根据重点考察能力的不同，作者将测试题目分成了两类——描述性问题和推理性问题。
两类问题的比例为4:1，即每张图表配有 4 个描述性问题和 1 个推理性问题。
其中描述性问题包括信息提取（Information extraction）、列举（Enumeration）、计数（Counting）、模式识别（Pattern recognition）等等。
这当中，模式识别指的是要求模型识别图表中数据的趋势和分布模式，如线条是否相交、数据是递增还是递减等。
另外还有较难的组合型（Compositionality）任务，模型需要综合多个视觉元素的信息回答问题，体现图表信息的组合理解。
比如这道题目就是一道组合型的描述类问题，它需要在识别清楚坐标轴的同时，完成计数的任务：
在当前的图表中，所有坐标轴中一共有多少明确标记的刻度？（这里问的是标记的数量，不是求和）
推理性问题则根据答案出现的方式又分为了四个子类：
- Text-in-chart：问题的答案是图表中出现的文本，如图例标签、离散刻度标签等。
- Text-in-general：问题的答案是一个易于验证的文本短语，但不一定显式出现在图表中。
- Number-in-chart：问题的答案是图表中给出的一个数值，，如坐标轴刻度值。
- Number-in-general：问题的答案是一个精确到特定小数位数的数值，但可能需要通过阅读和推理才能得出，而不一定直接出现在图表中。
举个例子，下面的问题要求模型对表格中各列的数值进行求和，然后比较后给出和最小的一列对应的标签，这就是一项推理型任务。
利用这套数据集，作者在零样本的条件下评估了一些知名的开源和闭源模型。
模型依然不擅长推理
在推理类问题上，作者发现所有模型的表现都不是很理想。
表现最好的是真人，模型当中则是 Claude 3.5 Sonnet，不过也仅仅及格，和人相比还是差了四分之一，成绩超过 40 的模型一共也只有三个。
紧随其后的是 GPT-4o、Gemini 1.5 Pro 和 Claude 3 家族，有意思的是，Claude 3 的“超大杯”Opus，表现还不如小一些的 Sonnet 和 Haiku。
开源模型中，表现最好的是微软的“小”模型 Phi-3，参数量一共只有 4B，成绩却跻身到了 Claude 3 家族的中间。
在描述类任务当中，表现最好的依然是人类，但模型和人类的差距小了，表现最好的 GPT-4o 和人类只差了不到 10%。
不过开源模型的表现就不那么好了，分数最高的 Phi-3 才刚刚及格。
另外，其中的组合型问题（COMP）任务，对于模型来说也依旧是难点，没有任何一个模型得分超过 60，而人类的表现是大于 90 的。
例如，数出x轴和y轴上的刻度标签数量，对于人来说是十分简单的任务，但测试下来，20 个模型在该任务中的准确率无一达到 10%。
而且，随着子图数量的增加，模型的描述能力也会下降。当有 6 个以上子图时，商业模型的成绩会下降 10-30%，开源模型对子图的处理则更加困难，性能下降比例达到了 30-50%。
经过综合比对，作者发具备良好描述能力是推理能力的前提——推理能力强的模型一般描述能力也强，但描述强的模型推理能力不一定强。当模型无法准确描述图表时，即使使用思维链（CoT）推理，成绩也不会提升。
论文地址：
