Performance comparison results on VQA 2.0 dataset.

Figshare2022-11-28 更新2026-04-28 收录

视觉问答

多模态理解

数据链接：

https://figshare.com/articles/dataset/Performance_comparison_results_on_VQA_2_0_dataset_/21634624 数据链接链接失效反馈

官方服务：

资源简介：

Performance comparison results on VQA 2.0 dataset.

创建时间：

2022-11-28

GoodBaiBai88/M3D-VQA

医学3D成像

视觉问答

M3D-VQA是一个大规模的3D医学多模态视觉问答数据集，包含510K数据。该数据集通过公开的大型语言模型（LLMs）分析现有诊断报告生成VQA数据，并经过专家和LLMs的验证，确保数据质量。数据集支持开放和封闭式视觉问答任务，数据格式为CSV文件，分为训练集、验证集、测试集和小测试集。图像数据基于M3D-Cap数据集，需要单独下载和配置。

Hugging Face2024-04-25 更新730

Multimodal-Fatima/OK-VQA_test_embeddings

视觉问答

机器学习

--- dataset_info: features: - name: image dtype: image - name: id dtype: int64 - name: vision_embeddings sequence: float32 splits: - name: openai_clip_vit_large_patch14 num

Hugging Face2023-03-20 更新140

nace-ai/billing_dataset_rl_v1

文档智能

视觉问答

该数据集包含PDF路径、图像、问题、输出和叠加图像等特征，数据类型分别为字符串、图像、字符串、字符串和图像。数据集包含一个名为train的分割，共有758个示例，占用405756304字节。该数据集适用于涉及PDF、图像和文本问题及输出的多模态任务。

Hugging Face2026-01-16 更新100

ChiQA

图问答

多模态理解

ChiQA是一个大规模基于图像的现实世界问答数据集，用于多模态理解。该数据集包含真实世界的问题，这些问题是开放域用户查询，发送到搜索引擎。ChiQA的图像也是从搜索引擎收集的真实世界图像，这些图像与问题相关，但不一定能回答问题。数据集通过两阶段主动学习过程进行数据众包，使得数据更具挑战性，并内在地消除对某些属性或语言模式的偏见。

github2024-05-13 更新170

open-social-world/EgoNormia

社会规范认知

视觉问答

EgoNormia是一个具有挑战性的问答基准测试，用于测试VLM模型在上下文中推理社会规范的能力。该数据集包含来自Ego4D的1853个基于物理的egocentric交互视频片段和对应的每个视频片段的五个选项多项选择题任务。EgoNormia涵盖了100个不同的场景，跨越了广泛的活动、文化和互动。与其它基于视觉的时空、预测或因果推理基准测试不同，EgoNormia评估模型在社交规范下应该做什么的推

Hugging Face2025-06-11 更新130

Performance comparison results on VQA 2.0 dataset.

资源简介：

相关数据集