视觉问答

研究者提出ColGraphRAG方法，通过延迟交互的多向量评分机制改进多模态图检索中的视觉证据检索效果，在MultimodalQA数据集上显著提升视觉相关问题的回答准确率。

研究人员推出首个针对真实世界建筑图纸的多模态大语言模型评测基准DrawingVQA，涵盖33份施工图纸和92个专业问答对，评估发现当前先进模型在深层推理任务上与专家水平存在明显差距。

研究发现现有知识型视觉问答基准测试存在系统性缺陷，导致模型能力被高估。团队提出审计修复方案并构建增强数据集，推动更可靠的评估方法。

研究人员提出一种名为IBA的训练免费框架，通过先识别实体再检索证据的两步策略，显著提升多模态大模型在知识型视觉问答任务中的表现。