Tag · 2 篇
多模态评测基准
分布 视觉语言模型1数据集与评测1
01 02
VinQA：面向真实世界多模态文档问答的视觉元素交错长答案生成
VinQA: Visual Elements Interleaved Long-form Answer Generation for Real-World Multimodal Document QA
提出将文档页面中的视觉元素（表格、图表、照片等）与文本交错生成长篇答案的任务，并系统比较了整页编码与模态编码两种视觉元素输入方式，为多模态文档理解与生成提供了可复用的数据构建、编码方案和评测框架（M-GroSE、Visual Source F1）。
UniM：统一任意到任意交错多模态基准
UniM: A Unified Any-to-Any Interleaved Multimodal Benchmark
为视觉研究者提供了一个覆盖图像、视频、文档、3D 等 7 种模态、要求理解与生成交错进行的评测基准，可用于检验 MLLM 在跨模态交错推理与结构化生成上的能力，其三维度评测协议（语义正确性、结构完整性、交错连贯性）也可直接迁移到视觉生成任务的评测设计中。