TRIG-Bench是由Adobe Research等机构创建的一个新型任务，专为评估和提升多模态大型语言模型在文档问题回答中的视觉文本定位能力而设计。该数据集包括800个由人工收集的问题回答对，以及来自四个不同数据源的90k个合成训练样本。数据集通过OCR-LLM-人类交互管道构建，旨在为文档相关的视觉问题提供一个标准化的评估框架。

arXiv2025-04-07 更新450

II-Bench

图像理解

多模态模型评估

# II-Bench [**🌐 Homepage**](https://ii-bench.github.io/) | [**🤗 Paper**](https://huggingface.co/papers/2406.05862) | [**📖 arXiv**](https://arxiv.org/abs/2406.05862) | [**🤗 Dataset**](https://hug

魔搭社区2026-05-27 更新350

MOAT

多模态模型评估

视觉语言

MOAT（Multimodal model Of All Trades）是一个用于评估大型多模态模型（LMMs）的挑战性基准测试数据集。它包含视觉语言任务，要求LMM整合多种视觉语言能力，并参与类似人类的通用视觉问题解决。MOAT的许多任务还关注LMMs在复杂文本和视觉指令上的基础能力，这对于LMMs在野外应用至关重要。

github2025-03-14 更新480

tsinghua-ee/AVUTBenchmark

视频理解

多模态模型评估

音频中心视频理解基准（AVUT）数据集旨在评估多模态大型语言模型（LLM）对视频的理解能力，特别关注音频信息。该数据集通过使用答案排列过滤机制来解决其他基准中存在的文本捷径问题。数据集包括两个主要的注释文件：一个由人工标注者精心创建，另一个由Gemini模型自动生成。

Hugging Face2025-09-28 更新350