标签
DataVista 是首个针对数据视频(datavideo)理解的基准测试,包含 961 个真实数据视频和 6,775 道评估题,采用三级能力框架(数据感知、时序推理、叙事理解)。对 19 个主流多模态大模型的评测显示,最佳模型 Gemini-3.1-Pro 仅有 70.0% 准确率,远低于人类专家水平。
本文研究了视觉语言模型如何通过控制反事实激活修补技术从垂直条形图中读取精确数值,揭示了内部计算机制以及Qwen和InternVL等模型之间的差异。