研究人员推出了VinQA，一个旨在提高多模态大语言模型（MLLMs）在真实世界文档问答能力的新数据集。与以往模型常生成纯文本答案不同，VinQA专注于生成整合了引用的视觉元素（如图像和图表）与支持性文本的长篇答案。该研究还探讨了文档页面图像的两种编码方法，并提出了M-GroSE，一个用于评估答案质量（包括视觉引用准确性）的多模态评估框架。 AI
影响 增强了多模态LLM处理和生成包含文档视觉元素答案的能力。
排序理由 该集群在一篇学术论文中描述了一个用于多模态文档问答的新数据集和评估框架。[lever_c_demoted from research: ic=1 ai=1.0]
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →