CSVQA

CSVQA是一个专门用于评估视觉语言模型(VLMs)科学推理能力的中文学科STEM多模态基准。它包含1,378个精心构建的问题-答案对，涵盖了STEM领域的多个学科，每个问题都需要领域知识、视觉证据的整合和高阶推理。与现有的多模态基准相比，CSVQA更强调现实世界的科学内容和复杂的推理。CSVQA数据集来源于中国高中STEM学科的公开教材和试卷，经过严格的筛选和注释，旨在为VLMs提供一个更具挑战性的评估框架。

CSVQA is a Chinese-language STEM multimodal benchmark specifically designed to evaluate the scientific reasoning capabilities of Vision-Language Models (VLMs). It comprises 1,378 carefully constructed question-answer pairs spanning multiple STEM disciplines, where each question requires the integration of domain knowledge, visual evidence, and high-order reasoning. Compared with existing multimodal benchmarks, CSVQA places greater emphasis on real-world scientific content and complex reasoning. Derived from publicly available high school STEM textbooks and examination papers in China, CSVQA has undergone rigorous screening and annotation, aiming to provide a more challenging evaluation framework for VLMs.

原始信息汇总

CSVQA 数据集概述

数据集基本信息

• 任务类别: 视觉问答、多选题
• 标签: 化学、生物、数学、物理、STEM教育、中文教育
• 规模: 10M < n < 100M

数据集简介

CSVQA（Chinese Science Visual Question Answering）是一个用于评估科学推理能力的多模态基准数据集，专注于中文科学视觉问答。该数据集填补了现有基准在科学语境评估上的不足，强调领域特定知识与视觉证据分析的结合。

数据集特点

• 问题数量: 1,378个精心构建的问答对
• 覆盖学科: 多样化的STEM学科
• 核心要求: 领域知识、视觉证据整合、高阶推理

数据集构成

项目	数量/比例
总问题数	1,378
图像类型	14
难度分布 (易:中:难)	22.6% : 67.4% : 10.0%
多选题	1,278
开放性问题	100
含解释的问题	81.1%
问题中含图像	1,341
选项中含图像	37
平均问题长度	69.7
平均选项长度	12.1
平均解释长度	123.5

主要挑战

1. 多学科覆盖: 需要跨学科知识和多样化的推理策略
2. 视觉模态多样性: 包含14种不同的视觉模态
3. 真实世界情境化: 基于真实STEM场景，要求超越模式识别的能力

排行榜表现

• 开源模型最佳表现: InternVL3-78B (37.4%总体准确率)
• 闭源模型最佳表现: o1 (49.6%总体准确率)

局限性

1. 学科覆盖: 目前仅包含高中科学内容
2. 数据分布分析: 仍在进行详细的学科和问题类型分布分析
3. 标注噪声: 可能存在OCR识别错误或不完整解析

联系方式

• [e-mail]
• [e-mail]

搜集汇总

数据集介绍

构建方式

CSVQA数据集的构建采用了严谨的四阶段质量控制流程，首先从中国高中STEM教材和考试材料中收集原始数据，通过OCR技术提取文本和视觉信息；随后利用DeepSeekV3驱动的自动化对齐管道建立语义关联；再经人工筛选处理复杂案例；最终经过三轮独立评审（模式验证、完整性检查、学科专家审核）形成包含1,378个问题的精校数据集。该过程从10万原始条目中筛选，保留了需要视觉推理的优质多模态项目，并特别构建了基于难度评分和视觉依赖性的CSVQA-Hard挑战子集。

特点

作为首个专注于中文STEM领域多模态推理的基准测试，CSVQA具有三个显著特征：跨学科覆盖性（物理、化学、生物、数学四大学科）、多模态复杂性（包含14类科学视觉模态）、以及真实场景关联性（81%的问题配有详细解题步骤）。其问题平均长度达69.7词，远超过往基准，且采用双语设计（中英文问题对），在保持文化真实性的同时支持更广泛的测试场景。特别设计的开放式问题和多选题两种形式，可全面评估模型在自由生成和精确判别方面的能力。

使用方法

使用CSVQA时建议采用分层评估策略：基础层测试模型对文本密集图像（如流程图）和结构化图像的理解；进阶层评估跨模态推理能力，需结合领域知识分析视觉证据；高级层通过CSVQA-Hard子集检验复杂科学概念的推理深度。评估时可采用思维链(CoT)提示策略，并建议配套使用论文提出的过程追踪实验方法，通过比对模型生成的解题步骤与人工标注的标准解释，区分真实推理与随机猜测。数据集支持端到端评估和分模块诊断，便于定位模型在感知、知识整合或逻辑推理等环节的缺陷。

背景与挑战

背景概述

CSVQA是由Skywork AI和Kunlun Inc.的研究团队于2025年推出的一个中文多模态基准测试数据集，旨在评估视觉语言模型（VLMs）在科学、技术、工程和数学（STEM）领域的推理能力。该数据集包含1,378个经过精心构建的问题-答案对，覆盖多个STEM学科，每个问题都需要领域知识、视觉证据分析和高级推理能力。CSVQA的推出填补了当前多模态基准测试在科学推理评估方面的空白，为相关领域的研究提供了重要的评估工具。

当前挑战

CSVQA面临的挑战主要包括两个方面：一是领域问题的挑战，即如何准确评估VLMs在复杂科学推理任务中的表现，特别是在需要跨学科知识和视觉理解的场景下；二是构建过程中的挑战，包括如何从真实教学材料中提取高质量的多模态数据，确保问题的多样性和难度平衡，以及如何设计有效的评估协议来验证模型的中间推理步骤。这些挑战使得CSVQA成为一个具有高度复杂性和严格要求的基准测试。

常用场景

经典使用场景

CSVQA数据集作为首个专注于中文STEM领域多模态推理的基准测试，其经典使用场景在于系统评估视觉语言模型（VLMs）在跨学科科学问题中的深度理解与推理能力。该数据集通过1,378个涵盖物理、化学、生物和数学的视觉问答对，要求模型结合领域知识、视觉证据分析与高阶推理，典型应用包括模型在解析实验流程图、化学分子结构、数学几何图形等14类科学图像时的多模态对齐能力测试。

实际应用

该数据集在教育科技领域具有重要实践价值，可应用于智能辅导系统的能力评测。例如在虚拟实验室场景中，模型需根据学生提交的化学反应图像推断实验现象，或通过物理力学图示解答运动轨迹问题。其包含的详细解题步骤（81.1%问题含人工标注解释）也为构建可解释性AI教学助手提供了训练范本，推动自适应学习系统中视觉-语言协同推理技术的发展。

衍生相关工作

CSVQA的发布催生了一系列改进科学推理的VLMs研究工作。基于其构建的CSVQA-Hard子集，研究者开发了针对物理抽象符号的专用编码器（如InternVL3的变体视觉专家模块）。该数据集还启发了类似MathVista的中文数学视觉基准MathVision，以及跨模态思维链验证框架EMMA的优化，这些工作均引用CSVQA作为多模态科学推理的金标准测试环境。