解析失败三项归零：百度用视觉语言模型给描述打分

解析失败三项归零：百度用视觉语言模型给描述打分

百度智能云百舸的《VLM评判打分》更新时间是 2026-07-30。这一页是数据处理算子，名字叫 VLMJudgeScorer。它用视觉语言模型当裁判，给「媒体加候选描述」打分。默认模型是 Qwen2.5-VL-7B-Instruct，文档写它顶替 Gemma。Qwen2.5-VL 是能看图像和视频的千问视觉语言模型。计算必须在 CUDA GPU 上，权重要预先放在 {model_path}/{model_name}。

打哪三项

三个维度各打 1 到 5 分：Faithfulness 是描述是否忠实于画面，Completeness 是画面里的内容有没有写全，Correctness 是描述本身对不对。输出是一个 struct，三个字段都是 int8：faith、complete、correct。

输入有两列。contents 是视频或图像，可以是 URL、base64 或二进制。captions 是候选描述，可以是 StructuredCaptionPipeline 吐出的 JSON 字符串，也可以是任意文本。评审 prompt 要求模型只输出一行 JSON，字段名是 faith、complete、correct。算子再用正则把数字裁到 0 到 5 的整数。解析失败，或者这一行出错，三项都写成 0。

推理怎么跑

后端有两个。默认走 vLLM，transformers 做兜底。backend 默认是 auto：在 sm_120 这种新卡上自动改走 transformers。fail_on_error 默认 False，出错不抛异常，对应行返回全 0。

主要默认值：content_src_type 是 video_url。媒体类型一共六种，视频和图像各有 url、base64、binary。model_path 是 /opt/aihc/models。model_name 是 Qwen/Qwen2.5-VL-7B-Instruct。batch_size 是 2。dtype 是 auto，也可以选 bfloat16、float16、float32。max_model_len 是 16000。视觉像素上限 max_pixels 是 1280000。视频抽帧 fps 是 1.0。temperature 是 0.0，文档写评审默认贪心。top_p 是 0.95。max_tokens 是 128。seed 是 42。

只在 vLLM 后端生效的参数：张量并行 tensor_parallel_size 默认 1，显存利用率 gpu_memory_utilization 默认 0.85，enforce_eager 默认 False。

示例跑在 Daft 上。actor_udf_ready_timeout 设成 6000，min_cpu_per_task 设成 0。调用时 num_cpus=1，num_gpus=1，concurrency=1，batch_size=1。这一次调用把算子默认的 batch_size 2 改成了 1。样本是一条视频 URL 和一句英文描述，路径在文档里标成 MOCK。

限制

这一页没有人工一致率，没有和 Gemma 的对照分数，也没有真实数据集上的分布。1 到 5 是打分刻度，不是测出来的通过线。0 分同时表示解析失败和运行出错，页面没有分开这两种 0。正则把结果裁到 0 到 5，和「各维度取值 1-5」的输出说明不完全一致，低于 1 的数会不会被抬上去，没有写。示例只有 1 条，不能当成吞吐。sm_120 回退 transformers 之后，速度和显存差多少，没有写。

百度智能云，VLM评判打分，2026-07-30，https://cloud.baidu.com/doc/AIHC/s/Rms64icms