端到端图像文本翻译

MMTIT-Bench：一个面向认知-感知-推理引导的文本图像机器翻译的多语言多场景基准

MMTIT-Bench: A Multilingual and Multi-Scenario Benchmark with Cognition-Perception-Reasoning Guided Text-Image Machine Translation

为视觉语言大模型在图像内文本翻译任务上提供了多语言、多场景的评测基准，并提出将场景认知、文本感知与翻译推理统一进思维链的数据范式，可直接迁移到其他需要视觉定位与语言生成联合推理的 VLLM 任务。