HUG-VIS：面向视觉智能中以人为中心理解与生成的多模态基准

英文标题：HUG-VIS: A Multimodal Benchmark for Human-centered Understanding and Generation in Visual Intelligence

HUG-VIS 是一个面向视觉智能的人本理解与生成任务的多模态基准。该工作聚焦于视觉智能对现实视觉世界的感知、解释与合成能力，并特别强调对人类主体的理解。与一般视觉对象不同，人具有丰富的表达性，并处于具体的社会情境之中，因此相关任务更具挑战性。该基准有望为开发者评估和改进多模态模型在人物理解、社会语境推理及人本视觉生成方面的能力提供参考。

2.1 KB 483 B 612 B 380 B 9.1 KB 32.7 KB 22.8 KB 24.2 KB 34.7 KB