VISTAQA：联合视觉问答与像素级证据的基准测试

建立模型预测与支持其视觉证据间的明确联系，对多模态推理的透明度和可靠性至关重要，但现有评估未强制此对齐。本文提出 VISTAQA 基准，联合评估自由形式答案正确性与像素级证据定位。该基准包含 1157 个专家 curated 样本，涵盖六类任务及视觉域，要求模型不仅回答正确，还需提供精确分割掩码。此外，引入 GROVE 统一指标，通过几何平均结合文本准确率与定位质量，揭示当前最强系统在答案准确性与视觉证据对齐间存在显著差距。