TestHallVQA：探索大型视觉语言模型在科学考试冗余上下文下的文档级推理能力
英文标题：TestHallVQA: Exploring LVLMs' Document-Level Reasoning under Redundant Contexts from Scientific Exams
本研究提出了名为 TestHallVQA 的新基准，旨在评估大型视觉语言模型（LVLMs）在面对科学考试等复杂长文档时的视觉问答（VQA）与推理能力。现有针对平面文档的 VQA 基准往往侧重于单一孤立的挑战，未能充分测试模型在大量冗余信息干扰下的真实表现。该研究的提出有助于开发者深入评估多模态大模型在真实学术和测试场景中的抗冗余干扰能力与精准推理水平。
打开原文相关 1.6 · 机会 0
2.1 KB
612 B
380 B
9.1 KB
32.7 KB
22.8 KB
24.2 KB
34.7 KB
中文
TestHallVQA：探索大型视觉语言模型在科学考试冗余上下文下的文档级推理能力
论文编号：arXiv:2609.13158v1
发布类型：最新发布（Announce Type: new）
摘要
业界越来越期望大型视觉语言模型（LVLMs）能够在平面介质（如各类文档、图表及试卷）上执行高质量的视觉问答（VQA）任务。然而，现有的平面 VQA 基准通常侧重于孤立的挑战维度：部分基准仅强调长文档理解，而未能充分模拟真实学术场景中复杂、高密度的冗余上下文对模型推理能力的干扰。
针对这一问题，本研究提出了 TestHallVQA 基准，聚焦于科学考试场景，深入探究 LVLMs 在面对真实且富含冗余信息的文档时的文档级推理能力。
English / 原文
BibTeX formatted citation
×