Cola

Cola数据集是由波士顿大学的研究团队开发的，用于评估大型视觉语言模型在组合对象定位与属性方面的能力。该数据集包含约1236个组合查询，涉及168个对象和197个属性，分布在约30K张图像上。创建过程中，模型必须从包含相同对象和属性但配置错误的干扰图像中检索出正确配置的图像。Cola数据集主要应用于测试和改进视觉语言模型在组合推理方面的性能，特别是在辅助代理等实际应用中，需要理解细粒度差异的场景。