论文页面 - WildTableBench：野外表格理解的多模态基础模型基准测试

来源：https://huggingface.co/papers/2605.01018 发布于 5月1日

·

提交者https://huggingface.co/jzhuang

HJZ (https://huggingface.co/jzhuang) 于5月15日

摘要

WildTableBench 被引入作为首个面向真实世界表格图像的问答基准，揭示了现有多模态模型在结构感知和数值推理方面的显著挑战。

使用多模态基础模型 (https://huggingface.co/papers?q=multimodal%20foundation%20models) 分析表格图像 (https://huggingface.co/papers?q=table%20images) 在消费和企业场景中是一个高价值但具有挑战性的应用。尽管其重要性，当前的评估大多依赖于结构化文本表格或干净的渲染图像，忽视了现实世界中表格图像的视觉复杂性。此类图像具有多变的布局和多样的领域，需要复杂的结构感知 (https://huggingface.co/papers?q=structural%20perception) 和数值推理 (https://huggingface.co/papers?q=numerical%20reasoning)。为弥补这一差距，我们引入了 WildTableBench，这是首个针对自然发生的、来自真实世界环境表格图像的问答基准 (https://huggingface.co/papers?q=question-answering%20benchmark)。WildTableBench 包含从在线论坛和网站收集的 402 张高信息密度表格图像 (https://huggingface.co/papers?q=table%20images)，涵盖多个领域，以及 928 个手动标注和验证的问题，分为 5 个类别下的 17 个子类型。我们在此基准上评估了 21 个前沿的商业和开源多模态基础模型 (https://huggingface.co/papers?q=multimodal%20foundation%20models)。只有一个模型准确率超过 50%，其余所有模型准确率在 4.1% 到 49.9% 之间。我们进一步进行了诊断分析，以表征模型失败模式，并揭示其在结构感知 (https://huggingface.co/papers?q=structural%20perception) 和推理方面的持续弱点。这些结果和分析为当前模型能力提供了有益的见解，并确立了 WildTableBench 作为表格图像理解方面有价值的诊断基准。

查看arXiv页面 (https://arxiv.org/abs/2605.01018) 查看PDF (https://arxiv.org/pdf/2605.01018) 项目页面 (https://huggingface.co/datasets/jzhuang/WildTableBench) GitHub0 (https://github.com/hjzhe/WildTableBench) 添加到收藏 (https://huggingface.co/login?next=%2Fpapers%2F2605.01018)

引用此论文的模型0

没有模型链接此论文

在模型的 README.md 文件中引用 arxiv.org/abs/2605.01018 以从此页面链接。

引用此论文的数据集1

jzhuang/WildTableBench 查看器• 更新于10天前 • 928 • 56 (https://huggingface.co/datasets/jzhuang/WildTableBench)

引用此论文的Space0

没有Space链接此论文

在Space的 README.md 文件中引用 arxiv.org/abs/2605.01018 以从此页面链接。

包含此论文的收藏集0

没有收藏集包含此论文

将此论文添加到收藏集 (https://huggingface.co/new-collection) 以从此页面链接。