6KCOREVQA视觉蕴涵基准数据集

该数据集提出了COREVQA（群众观察与推理蕴涵），这是一个基于5608张图像和合成生成的真假陈述对的基准测试，图像来源于CrowdHuman数据集，旨在激发对拥挤图像进行视觉蕴涵推理。