arXiv cs.CL· Changjiang Jiang, Jiang Zhou, Xinbin Yuan, Fan Zhang, Tao Feng, Zhuohan Xie·· 9 小时前AI 评分31
MInfoVisQA:面向信息密集型视觉问答的多语言基准
MInfoVisQA: A Multilingual Benchmark for Information-Rich Visual Question Answering
AI 导读
研究者提出 MInfoVisQA,一个覆盖 24 种语言、由 128 个种子实例扩展出 8,960 个 QA 配置的平行基准,用于检验多模态大模型在表层语言变化时对信息密集型视觉内容的理解一致性。
正文 · AI 翻译
摘要:多模态大语言模型(MLLMs)在视觉-语言任务中表现出色;然而,当表层语言发生变化时,它们能否对信息丰富的视觉内容(InfoVis)保持一致的理解,仍不清楚。为量化这一能力,我们推出 MInfoVisQA,这是一个并行基准,包含 8,960 个 QA 配置,源自 24 种语言中的 128 个种子实例。我们通过将数值-结构数据与文本分离,并以程序化方式同步翻译后的标签,构建了种子匹配、语言并行的视觉内容与 QA 对。我们在两种设置下评估了 25 个 MLLM:语言对齐 QA(LQA,视觉与文本语言匹配)和跨语言 QA(XQA,固定 QA 语言并改变视觉语言)。结果表明,总体准确率掩盖了显著的鲁棒性差距:两个平均 LQA 准确率相当(80.4\%)的模型在不同语言间的性能差异分别为 7.8 和 20.3 个百分点。此外,在固定英语 QA 下,全部 25 个模型在非英语视觉内容上的得分都更低,这凸显了跨语言敏感性指标的必要性。
| 评论: | 数据集:此 https URL 代码:此 https URL |
| 主题: | 计算与语言(cs.CL);计算机视觉与模式识别(cs.CV) |
| 引用为: | arXiv:2611.21644 [cs.CL] |
| (或 arXiv:2611.21644v1 [cs.CL] 用于此版本) | |
| https://doi.org/10.48550/arXiv.2611.21644 由 DataCite 颁发的 arXiv DOI(待注册) |
提交历史
来自:Changjiang Jiang [查看电子邮件]
[v1]
2026 年 10 月 14 日星期三 10:45:36 UTC(19,208 KB)
来源:arXiv cs.CL · arxiv.org