vqa

介绍了DrawingVQA，这是首个用于评估多模态大语言模型在真实建筑图纸上表现的基准，包含33张图纸和92组涵盖三种推理深度的问答对，揭示了模型与专家性能之间的差距。

推广Gemini 3.5 Flash，称其用于OCR和VQA任务时更快、更便宜、更准确。

本文对知识型VQA基准进行了审计，揭示了系统性的假设违反，使得准确率成为误导性指标。它提出了一种修复协议和多实体增强方法，以恢复答案可推导性和问题清晰度，表明修正后的设置产生了显著不同的模型排名。

本文研究了自动驾驶系统与人类在不同地理位置（利马和纽约市）的视觉问答任务中的表现，发现人类和VLM无论地点如何都表现出相似的性能，但根据问题类型存在差异。

OpenMedQ 是一个完全开放的医学视觉语言模型，在 14 个数据集（约 335 万样本）上进行预训练，在医学 VQA 和分类基准上取得了最先进的结果。

本文提出了一种从大语言模型中蒸馏答案集编程规则的方法，以增强神经符号视觉问答，结果表明仅需少量示例即可生成正确的规则。

本文介绍了UniKE，这是首个针对统一多模态模型（UMMs）的跨模态知识编辑基准测试，揭示了显著的模态差距：文本编辑实现了92%的效果，但仅有18.5%迁移到图像生成。它提出了Reasoning-augmented Parameter Editing，以改善跨模态迁移，提升幅度高达18.6个百分点。

HakushoBench是一个基于政府白皮书构建的日语图表和表格VQA基准，用于评估视觉语言模型对复杂视觉数据的理解能力。该基准对开源权重模型具有挑战性，最佳准确率仅为58.6%，与专有模型之间相差34.9个百分点。

本文系统研究了视觉语言模型的长上下文持续预训练，通过高效的数据混合设计，实现了超越128K上下文的泛化，并介绍了MMProLong模型。

大家好！我一直在独立研究和开发小巧但强大的视觉语言模型（VLM），并注意到视觉数据集中的一个空白——没有一个数据集在教我的模型简单地将文本定位到图像中，而是试图让模型推理文本或场景本身。这促使我投入两周的副项目，创建了SGOCR，一个开源数据集流水线，用于生成空间定位的、以OCR为核心的VQA元组，包含大量丰富的元数据以支持多样化的VLM训练策