EncQA：基于图表视觉编码的视觉语言模型基准测试

Apple Machine Learning Research · 2025-10-13T00:00:00Z

多模态视觉语言模型（VLMs）在图表理解基准上取得了一定进展，但未能全面反映其视觉推理能力。我们提出了EncQA基准，涵盖视觉编码和分析任务，提供2076对合成问答，评估了9个VLM的表现，发现不同编码和任务间的性能差异显著，且模型规模的增大并未显著提升许多任务的表现。