arXiv cs.AI· Subhadeep Roy, Christoph Leiter, Steffen Eger·· 3 天前AI 评分22
VisExMEM：基于视觉证据的可解释多模态评估指标
VisExMEM: Visual Evidence-Based Explainable Multimodal Evaluation Metric
AI 导读
研究者提出无参考评估器 VisExMEM，将图像描述拆解为原子断言、定位视觉证据并逐条验证，再平均为全局分数。基于 Qwen3.5 训练的 4B 和 9B 模型在八个基准上，VisExMEM-9B 的描述性综合分超过 VQAScore 11.7 分，与 GPT-5.6 Sol 保持竞争力。团队同时发布含 600 个人工标注图文对和 8.7K 原子断言的 AGITA-Bench。
正文 · AI 翻译
摘要：当前的图像-文本评估通常依赖一个全局分数，这让人难以了解图像究竟支持哪些语义细节。可解释指标提供了依据，但支持这些依据的视觉证据仍可能难以验证。我们提出 VisExMEM，一种无参考评估器，它将描述分解为原子断言，定位视觉证据，验证每条断言，并将断言级别的支持度平均为全局分数。解释使用相同的证据和决策。我们在 10 万条样本上通过多任务 SFT、反事实精炼和证据感知 GDPO 训练了基于 Qwen3.5 的 4B 和 9B 模型。在八个基准上，VisExMEM-9B 在我们比较的开源评估器中取得了最高的描述性综合得分，超过 VQAScore 11.7 分，同时与 GPT-5.6 Sol 保持竞争力。我们还提出了 AGITA-Bench，包含 600 个人工标注的图像-文本对和 8.7K 条原子断言，用于全局和断言级别的评估。对于未调优的 Qwen3.5 和 GPT-5.6 Sol 对照组，分解式提示相比整体式提示将同一综合得分提高了 3.6-5.1 分。人工评估显示，VisExMEM 的解释优于先前的可解释指标，并接近 GPT-5.6 Sol。
| 主题： | 计算机视觉与模式识别（cs.CV）；人工智能（cs.AI）；计算与语言（cs.CL） |
| 引用为： | arXiv:2610.16441 [cs.CV] |
| （或 arXiv:2610.16441v1 [cs.CV] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.16441 arXiv 颁发的 DOI 通过 DataCite（待注册） |
提交历史
来自：Subhadeep Roy [查看电子邮件]
[v1]
2026年10月12日星期一 09:07:37 UTC（14,983 KB）
来源：arXiv cs.AI · arxiv.org