Introducing ConTextual: How well can your Multimodal model jointly reason over text and image in text-rich scenes?

Hugging Face 推出 ConTextual 排行榜，專門評估多模態模型在「富含文本場景」中的圖文聯合推理能力。

Hugging Face 發表全新基準測試「ConTextual」並上線排行榜。該基準專注於評估多模態大模型（MLLM）在處理「富含文本的圖像」（如圖表、資訊圖表、街景招牌等）時的圖文聯合推理能力。這項測試超越了單純的 OCR 文字識別，更考驗模型結合視覺上下文與文本進行深度推理的實力，為評估當前頂尖多模態模型提供了更貼近真實應用場景的標準。

摘要由 AI 整理,以原文為準。