MLLM之Bench：LEGO-Puzzles的简介、安装和使用方法、案例应用之详细攻略

目录

LEGO-Puzzles的简介

1、LEGO-Puzzles的特点

LEGO-Puzzles的安装和使用方法

1、安装

步骤 0：安装 VLMEvalKit

步骤 1：设置 API 密钥（可选）

步骤 2：在 LEGO-Puzzles 上运行评估

推理 + 评估：

仅推理：

多 GPU 加速（可选）：

LEGO-Puzzles的案例应用

---

LEGO-Puzzles的简介

2025年4月，LEGO-Puzzles是一个用于评估多模态大型语言模型 (MLLM) 多步空间推理能力的基准测试。

LEGO-Puzzles 基准测试旨在系统地评估多模态大型语言模型 (MLLM) 的多步空间推理能力。它以乐高积木搭建为灵感，将空间理解定义为一系列乐高积木组装任务，这些任务需要模型同时具备视觉感知和顺序推理能力。 该基准测试包含三种核心任务类型：空间理解、单步顺序推理和多步顺序推理。 除了传统的视觉问答 (VQA) 任务外，LEGO-Puzzles 还包含图像生成任务，评估 MLLM 是否能够模拟结构转换并预测未来的组装状态。为了方便人类与模型进行比较，LEGO-Puzzles 还提供了一个精简的子集 LEGO-Puzzles-Lite，以及一个名为 Next-k-Step 的细粒度评估套件，用于测试在日益复杂的条件下推理的可扩展性。

总而言之，LEGO-Puzzles 提供了一个基于乐高积木的基准测试，用于评估 MLLM 的多步空间推理能力，其结果表明当前的 MLLM 在此方面仍有很大的提升空间。 该基准测试易于使用，并与 VLMEvalKit 框架集成，方便研究者进行模型评估。

GitHub地址：https://github.com/Tangkexian/LEGO-Puzzles

1、LEGO-Puzzles的特点

● 基于乐高积木：使用乐高积木搭建场景作为测试对象，直观易懂，便于理解和解释结果。

● 多任务类型：包含空间理解、单步顺序推理和多步顺序推理三种核心任务类型，以及图像生成任务，全面评估空间推理能力。

● 可扩展性：通过 Next-k-Step 评估套件，可以测试模型在不同步数下的推理能力。

● 可解释性：任务设计清晰，结果易于解释，方便分析模型的优缺点。

● 包含图像生成任务：不仅评估问答能力，还评估模型生成图像的能力，更全面地考察空间推理能力。

● 提供精简数据集：LEGO-Puzzles-Lite 方便进行人机性能比较。

LEGO-Puzzles的安装和使用方法

LEGO-Puzzles 已完全集成到 VLMEvalKit 框架中。

1、安装

安装和使用方法如下：

步骤 0：安装 VLMEvalKit

git clone https：//github.com/open-compass/VLMEvalKit.gitcd VLMEvalKitpip install -e .

步骤 1：设置 API 密钥（可选）

如果要评估基于 API 的模型（例如 GPT-4o、Gemini-Pro-V 等）或使用 LLM 作为评判模型，需要在 .env 文件中配置必要的密钥，或者将其导出为环境变量：

# Example .env (place it in VLMEvalKit root directory)OPENAI_API_KEY=your-openai-keyGOOGLE_API_KEY=your-google-api-key# ...other optional keys

如果没有提供密钥，VLMEvalKit 将默认使用精确匹配评分（仅适用于 Yes/No 或多项选择任务）。

步骤 2：在 LEGO-Puzzles 上运行评估

将数据集名称设置为 LEGO 即可运行 LEGO-Puzzles：

推理 + 评估：

python run.py --data LEGO --model <your_model_name> --verbose# Example：# python run.py --data LEGO --model idefics_80b_instruct --verbose

仅推理：

python run.py --data LEGO --model <your_model_name> --verbose --mode infer# Example:# python run.py --data LEGO --model idefics_80b_instruct --verbose --mode infer

多 GPU 加速（可选）：

torchrun --nproc-per-node=4 run.py --data LEGO --model <your_model_name> --verbose# Example:# torchrun --nproc-per-node=4 run.py --data LEGO --model idefics_80b_instruct --verbose

LEGO-Puzzles的案例应用

论文评估了 20 个最先进的 MLLM，包括开源和专有模型。结果表明，尽管 GPT-4o 和 Gemini-2.0-Flash 的整体性能领先，但在需要 3D 空间对齐、旋转处理和多步组装跟踪的任务中，它们的性能仍然远低于人类注释者。 在 LEGO-Puzzles-Lite (220 个样本) 上的人类与模型性能比较中，人类始终以较大优势胜出，再次证实了当前 AI 系统在空间推理方面面临的挑战。 在 5 个基于乐高的图像生成任务中，只有 Gemini-2.0-Flash 和 GPT-4o 表现出部分成功，开源模型通常无法生成结构有效或与指令对齐的图像。 Next-k-Step 评估结果表明，思维链 (CoT) 提示并不能有效地增强多步空间推理能力。