Vision-Language Models 相关 AI 资讯 · AI 热点

7月28日

12:23

12:23

官方账号arXiv cs.AI@Ali Ansari, Yasmin Mohammadi, Farnoush Nili, Parsa Esmaeilkhani, Longin Jan Latecki, Eduard Dragut

ERUnderstand是首个大规模评估视觉语言模型（VLM）对实体关系图（ERD）结构化理解能力的基准，包含2960张来自教育、真实世界和合成数据源的图。测试发现常见元素F1>0.74，但弱实体F1低至0.28，多值属性仅0.14，N元关系仅0.07。使用推理增强的模型整体提升15%-25%，但仍受语言先验和复杂度影响。基准、数据、工具和生成代码已开源。

论文 ERUnderstand Vision-Language Models Entity-Relationship Diagrams

推荐理由：想测VLM能不能看懂ER图？这个新基准用2960张图挨个打分，弱实体和N元关系掉得厉害，读论文就能知道差距在哪儿。

7月10日

12:14

12:14

官方账号arXiv cs.AI@Siddharth Damodharan, Radhika Gupta, Ali Alshami, Ryan Rabinowitz, Jugal Kalita

AUTOPILOT-VQA 是一个针对行车记录仪视频的视觉问答基准，用于评估视觉语言模型在安全关键事故中的推理能力。该基准覆盖天气光照、交通环境、道路布局、路面状态、标志、涉及实体、事故是否发生、撞击位置和事故可避免性等9个类别。数据集基于真实驾驶事故与近事故场景设计结构化问题，要求模型回答场景属性与事件细节。该基准作为 CVPR 2026 竞赛的一部分发布，旨在推动更可解释、鲁棒和安全敏感的视觉语言系统。

论文 AUTOPILOT-VQA Vision-Language Models CVPR 2026

推荐理由：CVPR 2026 竞赛推出了 AUTOPILOT-VQA 基准，专门测试 AI 模型对行车记录仪事故视频的推理能力，比普通视觉问答更难更贴近安全。