本文介绍了视觉对话任务，通过图像、对话历史和问题，要求AI智能体与人类进行对话。提出了基于视觉的测试方法和二人聊天数据收集协议。利用多个编码器和解码器，超越了基准线，并评估了机器和人类在视觉对话任务上的性能差距。

本文介绍了视觉对话任务及其测试方法和数据收集协议，采用多种编码器和解码器超越了基准线，演示了第一款“视觉聊天机器人”，并通过基于检索的评估协议Quantify了机器和人类在视觉对话任务上的性能差距。