arXiv cs.CL· Yingjie Zhu, Han Cheng, Xuefeng Bai, Youcheng Pan, Yang Xiang, Kehai Chen·· 6 天前AI 评分22
MVGraph：面向多视图视觉图证据组合的 LVLM 基准测试
MVGraph: Benchmarking LVLMs on Evidence Composition across Multi-View Visual Graph
AI 导读
MVGraph 是一个评估大型视觉语言模型（LVLM）多图推理能力的基准，包含 8k 个实例、覆盖 8 项图论任务，抽象自部分视图与时间视图两类多图场景，每道题均经程序化构造并验证无法从单一视图求解。
正文 · AI 翻译
摘要：我们提出 MVGraph，一个用于评估大型视觉语言模型（LVLM）在多图推理上的基准，其中查询所需的证据分布在多个相互关联的视觉图视图中。尽管此类证据通常存在于特定来源的图、时间快照或局部观测中，现有的图推理基准仍局限于单一自包含结构，仅评估图感知与推理，而视图间证据的对齐与组合尚未得到充分探索。MVGraph 包含 8k 个实例，涵盖 8 个 \textit{图论} 任务，抽象自两种多图场景（部分图视图和时间图视图）。每个问题均以程序化方式构建并验证为无法从单一视图解决。除端到端评估外，我们将多图推理分解为四项互补能力——感知、对齐、组合和推理——并设计了 29 个诊断任务，包含 64k 个实例以分别探查每项能力，同时提供用于评估中间过程的黄金中间表示。在 15 个 LVLM 上，我们揭示了多图推理的难度，并通过面向阶段的诊断将跨视图边对齐和关系级组合确定为突出瓶颈。同时，时间约束和视图数量的增加暴露出进一步的能力边界。代码和数据可在 此 https URL 获取。
| 学科： | 计算机视觉与模式识别（cs.CV）；计算与语言（cs.CL） |
| 引用为： | arXiv:2610.12961 [cs.CV] |
| （或 arXiv:2610.12961v1 [cs.CV] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.12961 arXiv 颁发的 DOI 通过 DataCite（待注册） |
提交历史
来自：Yingjie Zhu [查看邮箱]
[v1]
2026年10月9日星期五 03:59:34 UTC（609 KB）
来源：arXiv cs.CL · arxiv.org