本文介绍了多语言视觉问答基准的构建与评估，包括xGQA、MaRVL、MTVQA和CVQA，探讨了跨语言视觉问答的挑战及改进策略。研究表明，现有模型在多语言环境中的表现不佳，尤其在文化理解和低资源语言方面存在显著差距，强调了进一步研究的必要性。