视觉依赖 MCQ 生成流水线（API版）
1329 字约 4 分钟
2026-01-11
1. 概述
视觉依赖 MCQ 生成流水线 (Visual-Only MCQ Pipeline) 是 CapRL (Caption Reinforcement Learning) 框架中的核心组件。它的目标是生成一组高质量的多项选择题 (MCQ)，且这些题目必须满足强视觉依赖性：即模型必须“看”图才能答对，仅凭文本（猜题或常识）无法作答。
该流水线通过生成-解析-验证三步法，利用选项旋转 (Rotation) 和无图盲测 (Blind Test) 机制，严格过滤掉模型幻觉或过于简单的题目。生成的题目可作为强化学习的奖励信号（Reward Model）。
主要流程包括：
- MCQ 生成：VLM 基于图像生成原始的问答对文本。
- 结构化解析：利用正则逻辑将文本解析为标准的题目与选项结构。
- 视觉依赖验证：
- 旋转测试：多次打乱选项顺序，消除位置偏见。
- 双重过滤：要求“有图答对率”高，“无图答对率”低。
2. 快速开始
第一步：创建工作目录
mkdir run_vis_mcq
cd run_vis_mcq第二步：初始化 DataFlow-MM
dataflowmm init这时你会看到：
api_pipelines/image_visual_only_mcq_api_pipeline.py第三步：下载示例数据
huggingface-cli download --repo-type dataset OpenDCAI/dataflow-demo-image --local-dir ./example_data第四步：配置 API Key
在 api_pipelines/image_visual_only_mcq_api_pipeline.py 中设置 API Key 环境变量：
import os
os.environ["DF_API_KEY"] = "your_api_key"第五步：配置参数
在 api_pipelines/image_visual_only_mcq_api_pipeline.py 中配置过滤阈值，例如，要求有图 100% 正确，无图正确率低于 25%：
pipe = VisualOnlyMCQPipeline(
first_entry_file="../example_data/capsbench_images/image_visual_only_mcq_demo.jsonl",
rotate_num=4,
pass_visual_min=1.0,
pass_textual_max=0.25
)第六步：一键运行
cd api_pipelines
python image_visual_only_mcq_api_pipeline.py3. 数据流与流水线逻辑
1. 输入数据
输入仅需包含图像路径：
- image：图像文件路径。
输入数据示例：
{
"image": "./images/sample_01.jpg"
}2. 核心算子逻辑
该流水线由三个关键算子串联而成：
A. FixPromptedVQAGenerator（原始生成）
- 功能：使用 CapRL 预设的 Prompt 模板（
SYS_PROMPT_MCQ/USER_PROMPT_MCQ），让 VLM 一次性生成 5 道 MCQ。 - 输出：包含多个
#### Question和选项的非结构化文本块。
B. FunctionalRefiner（正则解析）
- 逻辑函数：
parse_mcq_text_logic - 功能：利用正则表达式从原始文本中提取题目、选项（A-F）和正确答案。
- 输出：结构化的 MCQ 列表 (
parsed_mcq_list)。
C. VisualDependencyRefiner（依赖性验证）
这是本流水线的核心过滤器。它对每道题进行 N 次推理（N = rotate_num）：
- 选项旋转：随机打乱选项顺序（例如将答案从 A 换到 C），防止模型通过“总是选 A”来作弊。
- 有图推理 (Visual Pass)：输入图像 + 题目。记录模型答对的比例。
- 无图推理 (Textual Pass)：仅输入题目（无图像进行盲测）。记录模型盲猜对的比例。
- 过滤判据：
- 保留题目，当且仅当：
Visual_Acc >= pass_visual_min且Textual_Acc <= pass_textual_max。 - 示例：如果一道题不看图也能答对（无图准确率高），说明它考的是常识而非视觉，剔除。
3. 输出数据
输出数据 (final_mcqs) 仅包含通过了严苛验证的题目。这些题目具有极高的质量和视觉相关性。
输出数据示例：
{
"image": "./images/sample_01.jpg",
"final_mcqs": [
{
"question": "What is the color of the car on the far left?\n - A) Red\n - B) Blue...",
"answer": "A",
"stats": {
"visual_acc": 1.0, # 4次全对
"text_acc": 0.0 # 盲猜全错
}
}
]
}4. 流水线示例
以下是完整的 VisualOnlyMCQPipeline 代码实现 (API 版本)。
import os
os.environ["DF_API_KEY"] = "sk-xxxx"
import argparse
from dataflow.utils.storage import FileStorage
from dataflow.serving.local_model_vlm_serving import LocalModelVLMServing_vllm
from dataflow.operators.core_vision import FixPromptedVQAGenerator, VisualDependencyRefiner
from dataflow.operators.core_text import FunctionalRefiner
from dataflow.prompts.image import ImageCaprlPrompt
from dataflow.serving.api_vlm_serving_openai import APIVLMServing_openai
import re
from typing import List, Dict, Any
_Q_BLOCK_SPLIT = re.compile(r"^####\s*\d+\.\s*\*\*(.*?)\*\*\s*$", re.M)
_OPT_LINE_RE = re.compile(r"^\s*-\s*([A-F])\)\s*(.+?)\s*$")
_ANS_LINE_RE = re.compile(r"^\s*\*\*Answer:\*\*\s*([A-F])\)\s*(.+?)\s*$", re.I)
def parse_mcq_text_logic(mcq_text: str, expected: int = 5) -> List[Dict[str, Any]]:
if not mcq_text or not isinstance(mcq_text, str): return []
indices = [m.start() for m in _Q_BLOCK_SPLIT.finditer(mcq_text)]
if not indices: return []
indices.append(len(mcq_text))
blocks = [mcq_text[indices[i]:indices[i+1]].strip() for i in range(len(indices)-1)]
parsed = []
for block in blocks:
lines = [ln.rstrip() for ln in block.splitlines() if ln.strip()]
q_title_m = _Q_BLOCK_SPLIT.search(block)
if not q_title_m: continue
q_title = q_title_m.group(1).strip()
options = {}
ans_letter, ans_text = None, None
for ln in lines:
m_opt = _OPT_LINE_RE.match(ln)
if m_opt:
options[m_opt.group(1)] = m_opt.group(2).strip()
continue
m_ans = _ANS_LINE_RE.match(ln)
if m_ans:
ans_letter = m_ans.group(1).upper()
ans_text = m_ans.group(2).strip()
break
if options and ans_letter and ans_letter in options:
q_lines = [q_title]
for lbl in ["A", "B", "C", "D", "E", "F"]:
if lbl in options:
q_lines.append(f" - {lbl}) {options[lbl]}")
parsed.append({
"question": "\n".join(q_lines),
"question_title": q_title,
"options": options,
"answer": ans_letter,
"answer_text": ans_text
})
if expected > 0:
parsed = parsed[:expected]
uniq = []
seen = set()
for it in parsed:
key = (it["question_title"], it["answer"])
if key not in seen:
seen.add(key)
uniq.append(it)
return uniq
class VisualOnlyMCQPipeline:
def __init__(
self,
*,
first_entry_file: str,
cache_path: str = "../cache/cache_mcq",
file_name_prefix: str = "vis_mcq",
# Config
rotate_num: int = 4,
pass_visual_min: float = 1.0,
pass_textual_max: float = 0.25,
add_none_above: bool = True,
# Keys
input_image_key: str = "image",
output_key: str = "final_mcqs",
# VLLM
vllm_max_tokens: int = 2048
):
self.storage = FileStorage(
first_entry_file_name=first_entry_file,
cache_path=cache_path,
file_name_prefix=file_name_prefix,
cache_type="jsonl"
)
self.vlm_serving = APIVLMServing_openai(
api_url="[https://dashscope.aliyuncs.com/compatible-mode/v1](https://dashscope.aliyuncs.com/compatible-mode/v1)", # Any API platform compatible with OpenAI format
model_name="gpt-4o-mini",
image_io=None,
send_request_stream=False,
max_workers=10,
timeout=1800
)
# Keys
self.keys = {
"img": input_image_key,
"raw_text": "raw_mcq_text",
"parsed_list": "parsed_mcq_list",
"final": output_key
}
# --- Prompts ---
self.prompts_db = ImageCaprlPrompt().build_prompt()
# ================== Operators ==================
# 1. Generate Raw MCQs (FixPromptedVQAGenerator)
# 直接使用 prompt 类中的字符串
self.op_gen_raw = FixPromptedVQAGenerator(
serving=self.vlm_serving,
system_prompt=self.prompts_db["SYS_PROMPT_MCQ"],
user_prompt=self.prompts_db["USER_PROMPT_MCQ"]
)
# 2. Parse MCQs (Refine)
self.op_parse = FunctionalRefiner(func=parse_mcq_text_logic)
# 3. Verify Visual Dependency (Refine)
# 传入 prompt 模板
self.op_verify = VisualDependencyRefiner(
serving=self.vlm_serving,
instruction_template=self.prompts_db["ANSWER_INSTRUCTION"],
rotate_num=rotate_num,
pass_visual_min=pass_visual_min,
pass_textual_max=pass_textual_max,
add_none_above_visual=add_none_above
)
def forward(self):
print(">>> [Pipeline] Step 1: Generating Raw MCQs (FixPrompted)...")
self.op_gen_raw.run(
self.storage.step(),
input_image_key=self.keys["img"],
output_answer_key=self.keys["raw_text"]
)
print(">>> [Pipeline] Step 2: Parsing MCQs...")
self.op_parse.run(
self.storage.step(),
output_key=self.keys["parsed_list"],
mcq_text=self.keys["raw_text"],
expected=5
)
print(">>> [Pipeline] Step 3: Verifying Visual Dependency (Rotation Check)...")
self.op_verify.run(
self.storage.step(),
input_list_key=self.keys["parsed_list"],
input_image_key=self.keys["img"],
output_key=self.keys["final"]
)
print(f">>> [Pipeline] Done. Results in: {self.keys['final']}")
if __name__ == "__main__":
pipe = VisualOnlyMCQPipeline(
first_entry_file="../example_data/capsbench_images/image_visual_only_mcq_demo.jsonl",
rotate_num=4,
pass_visual_min=1.0,
pass_textual_max=0.25
)
pipe.forward()