English(EN) Unexplored flaws in multiple-choice VQA make benchmarking unreliable

研究发现MC-VQA基准测试在LLM评估中存在缺陷

作者 PulseAugur 编辑部 · [1 个来源] · 2026-09-10 04:00

arXiv上发表的一项新研究揭示了常用于评估多模态大语言模型（MLLMs）的多项选择视觉问答（MC-VQA）基准测试中存在的重大缺陷。研究人员发现，在这些基准测试上的表现高度依赖于提示格式中细微的、语义中性的变化，例如选项ID集、分隔符和分割符。这些格式变化可能导致模型性能排名反转，表明MC-VQA可能无法可靠地衡量多模态推理能力。研究表明，当前的MC-VQA评估未能充分控制提示格式敏感性，导致基准测试不可靠，并促使开发新的评估协议。 AI

影响强调了当前LLM评估中的关键问题，可能影响多模态模型性能的评估方式。

排序理由学术论文，详细介绍了AI评估方法的研究结果。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。我们如何撰写摘要 →

本文如何被排名

Signal score: 9 / 100; Composite score across the factors below. Higher = stronger signal that this story matters right now.
Newsworthiness bucket: Tool; 学术论文，详细介绍了AI评估方法的研究结果。[lever_c_demoted from research: ic=1 ai=1.0]
Source corroboration: Single-source cluster; Only one publisher covered this so far. Single-source stories can still rank when the publisher is high-authority, but they lack cross-source corroboration.
Topics: paper, other; Editorial topic classification. Feeds into how the story surfaces on /topic/<slug> hub pages and into the per-entity coverage mix.
AI-industry relevance: High; Clearly on-topic for AI-industry coverage.
Story freshness: Same-day; Cluster formed today. Ranking reflects the current source set at time of score.

完整方法见我们的编辑标准。

报道来源 [1]

arXiv cs.LG TIER_1 English(EN) · Fabio Rosenthal, Sebastian Schmidt, Thorsten Graf, Thorsten Bagdonat, Stephan G\"unnemann, Leo Schwinn · 2026-09-10 04:00

多选题视觉问答中未被发现的缺陷导致基准测试不可靠

arXiv:2511.22341v2 Announce Type: replace-cross Abstract: Previous works identify sensitivity to option order as a key issue in multiple-choice VQA (MC-VQA) evaluation and propose protocols to mitigate this effect. We show that such mitigation is insufficient to ensure the validi…

本文如何被排名

报道来源 [1]

多选题视觉问答中未被发现的缺陷导致基准测试不可靠

相关实体

相关话题