该研究提出了一种新的视觉问答基准，用于评估文本生成视觉语言模型的能力，并与辨别性视觉语言模型进行比较。研究建议利用标签空间的语义层次结构为细粒度分类任务中的粗略答案提出自动生成的后续问题，以改善评估模型预测的传统自然语言处理和基于语言模型的度量标准。该研究为更精确、有意义的评估奠定基础，促进了视觉语言建模领域的有针对性进展。