CVQA是一个新的多元文化多语言视觉问答基准，覆盖了28个国家的文化驱动图像和问题。基准测试显示该数据集对当前最先进的多模态模型具有挑战性，可以评估模型的文化能力和偏见，并鼓励增加文化意识和语言多样性的研究努力。

研究人员构建了CVQA，一个多元文化多语言视觉问答基准，覆盖了28个国家的文化驱动图像和问题，包括26种语言和11种文字，共提供了9k个问题。基准测试显示该数据集对当前最先进的模型具有挑战性，可评估多模态模型的文化能力和偏见，鼓励增加文化意识和语言多样性的研究。