应用
Visual Question Answering
给定一张图像和一个自然语言问题，让模型自动给出正确答案的多模态任务。
详细解释
VQA 融合计算机视觉与自然语言处理，要求模型理解图像内容并推理作答。早期依赖 CNN+LSTM 与 VQA 数据集，如今多模态大模型显著提升开放域表现。它被用于无障碍辅助、教育、电商等场景，也是评测视觉语言模型综合理解能力的重要基准。
别名与相关写法
visual question answering
给定一张图像和一个自然语言问题，让模型自动给出正确答案的多模态任务。
VQA 融合计算机视觉与自然语言处理，要求模型理解图像内容并推理作答。早期依赖 CNN+LSTM 与 VQA 数据集，如今多模态大模型显著提升开放域表现。它被用于无障碍辅助、教育、电商等场景，也是评测视觉语言模型综合理解能力的重要基准。