CompoSET：用于评估视觉-语言组合性的受控单编辑基准
英文标题：CompoSET: A Controlled Single-Edit Benchmark for Vision-Language Compositionality
视觉-语言组合性是指在图像与说明文本中识别属性、关系、数量和状态具体绑定到哪个实体，并实现跨模态匹配绑定的核心能力。现有基准主要用于衡量多模态模型在此类细粒度组合理解上的表现。CompoSET 提出了一个受控单次编辑（Single-Edit）的评测方案，有助于研究人员和开发者精准检测多模态模型在跨模态实体绑定与语义关联上的缺陷，推动更鲁棒的多模态推理架构设计。
打开原文相关 1.6 · 机会 0
2.0 KB
672 B
612 B
380 B
24.2 KB
34.7 KB
中文
arXiv:2610.41118v1 公告类型：新论文
摘要
视觉-语言组合性（Vision-language compositionality）是指在图像和配文中识别哪些属性、关系、数量以及状态与哪些实体相互绑定，并跨模态精确匹配这些绑定的能力。现有的基准测试旨在评估多模态模型在此方面的能力……
BibTeX formatted citation
×
English / 原文
BibTeX formatted citation
×