研究人员推出了ChinaHeritaQA，一个旨在测试视觉语言模型（VLM）文化推理能力的新数据集。该数据集包含2000多张中国世界遗产地的图片，配有14000多个涵盖不同认知维度的双语问题。初步评估显示，尽管目前顶尖的VLM在视觉识别任务上表现良好，但在更深层次的文化和历史理解方面存在困难，表明它们在处理基于文化的信息方面存在差距。 AI
影响 该数据集突显了AI在文化和历史理解方面的现有局限性，可能指导未来在具有文化意识的多模态学习方面的研究。
排序理由 该集群描述了在arXiv上发布的新学术数据集和论文。
在 Hugging Face Daily Papers 阅读 →
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →
We introduce ChinaHeritaQA, a multimodal benchmark dataset for evaluating the cultural reasoning abilities of vision-language models (VLMs) on UNESCO World Heritage sites in China. The dataset comprises 2,279 in-the-wild images paired with 14,133 bilingual (Chinese/English) multi…
arXiv:2606.08959v1 Announce Type: new Abstract: We introduce ChinaHeritaQA, a multimodal benchmark dataset for evaluating the cultural reasoning abilities of vision-language models (VLMs) on UNESCO World Heritage sites in China. The dataset comprises 2,279 in-the-wild images pair…