🧠 图解记忆：多模态模型没有一个万能分数，检索看排序召回、理解看答案正确性、生成同时看质量与跨模态对齐；点击图片可查看原图。
💡 答案要点
评估维度：
1. 跨模态检索（Image-Text Retrieval）：
| 指标 | 说明 | 计算方式 |
|---|---|---|
| R@1 | Top-1 召回率 | 正确结果在第1位的比例 |
| R@5 | Top-5 召回率 | 正确结果在前5位的比例 |
| R@10 | Top-10 召回率 | 正确结果在前10位的比例 |
示例（Flickr30K）：
任务：给定图片，从 1000 个候选文本中找出匹配的
CLIP 结果：
R@1 = 88.0%（第1位就找对）
R@5 = 98.7%（前5位能找对）
R@10 = 99.4%（前10位能找对）2. 视觉问答（VQA）：
| 指标 | 说明 |
|---|---|
| 准确率 | 答案完全匹配的比例 |
| CIDEr | 与人类答案的相似度 |
3. 图像字幕（Image Captioning）：
| 指标 | 说明 | 范围 |
|---|---|---|
| BLEU | n-gram 重叠度 | 0-1 |
| METEOR | 考虑同义词的匹配 | 0-1 |
| CIDEr | 共识度量 | 0-10 |
| SPICE | 语义匹配 | 0-1 |
4. 文生图（Text-to-Image）：
| 指标 | 说明 |
|---|---|
| FID | 生成图像与真实图像的分布距离（越小越好） |
| CLIP Score | 生成图像与文本的匹配度 |
| 人工评分 | 专家打分（质量、相关性） |
综合评估（COCO Benchmark）：
| 模型 | VQA Acc | Caption CIDEr | Retrieval R@1 |
|---|---|---|---|
| CLIP | - | - | 58.4% |
| BLIP | 78.3% | 136.7 | 82.3% |
| BLIP-2 | 82.4% | 144.5 | 85.9% |
面试话术：
示例表达（仅在能用本人经历或可复现实验佐证时使用）： "多模态评估要看多个维度。检索任务看 R@K，问答看准确率，字幕看 CIDEr。我在项目中用 CLIP Score 评估文生图质量，结合人工抽检确保效果。"
📚 参考：MME：多模态 LLM 综合评测基准