一、研究背景：打破“感知与推理”的缠绕，定位视觉幻觉根源
当前多模态模型评测（如MMMU、MMStar）侧重复杂逻辑推理，却忽视“基础视觉知识”这一核心前提——当模型答错“某古迹的历史”，无法判断是“没认出古迹（感知问题）”还是“不懂历史（推理问题）”。
月之暗面团队指出，多模态智能的底层是“像素→实体身份”的精准映射（即“内部视觉百科全书”），若模型无法完成这一步，只能成为“描述性引擎”而非“知识型观察者”，这正是视觉幻觉的核心来源。
因此，WorldVQA的核心设计理念是**“原子隔离（Atomic Isolation）”**：剔除OCR、算术、多跳推理等干扰，仅聚焦最基础问题——“这个视觉实体到底叫什么”，纯粹测试模型的视觉知识储备。
二、WorldVQA的核心构成：3500个VQA对，覆盖9大领域
该基准通过“严谨构建+双门控验证”确保数据可靠性，全面覆盖从“常识到长尾”的视觉知识：
1.数据规模与语言分布
共包含3500个VQA对，其中中文1260个（36%）、英文2240个（64%）；
难度分三档：简单（Easy）31.17%、中等（Medium）40.77%、困难（Hard）28.07%，困难题聚焦“长尾罕见实体”（如小众物种、冷门手工艺品）。
2.九大语义领域，覆盖多元视觉知识
3.数据可靠性保障
双门控验证：先由高性能MLLM做一致性检查，再经人类专家盲审，确保问题与答案的准确性；
去重处理：对主流预训练语料库严格筛查，避免数据泄露，防止模型“背题”影响评测结果。
三、实验结果：顶级模型“集体翻车”，三大关键发现
月之暗面团队对13个前沿闭源/开源模型（如Gemini-3-pro、GPT-5.2、Kimi K2.5）进行测试，结果暴露多模态模型的视觉知识短板： 1.准确率天花板未超50%，长尾实体成最大挑战
表现最好的模型为Gemini-3-pro（47.4%）和月之暗面自家的Kimi K2.5（46.3%），但均未突破50%；
开源模型表现更差，Qwen3-VL-32B准确率仅17.7%，说明当前MLLMs对“非流行视觉实体”的识别能力严重不足。
2.领域表现两极分化，自然与文化成“重灾区”
优势领域：品牌（Logo识别）、体育（装备识别），因这类知识在预训练数据中曝光度高；
劣势领域：自然（物种学名）、文化（传统手工艺品），模型常给出泛化答案（如只说“花”，无法说出具体品种“蝴蝶兰”），暴露专业视觉知识空白。
3.诚实度差异显著，小模型易“编造答案”
保守策略：GPT-5.1等大模型对不确定的实体“不回答”，减少幻觉；
过度自信：部分小模型（如Grok-4-fast-reasoning）会为模糊实体“编造名称”，缺乏“知识边界自知力”，进一步印证视觉幻觉的普遍性。 四、行业意义：为多模态预训练指明新方向
WorldVQA的价值不仅是“评测工具”，更重构了多模态模型的优化逻辑：
告别“重推理、轻知识”：当前模型多是“流行文化通”，但在自然科学（物种分类）、人类多元文化（传统工艺）上储备浅薄，未来预训练需补充更多“专业、长尾”的视觉知识数据；
定位幻觉根源：模型无法精准识别实体，是后续推理产生幻觉的基础，WorldVQA为“从源头减少幻觉”提供了评测标准；
开源赋能行业：数据集开源后，可帮助更多团队针对性优化模型的视觉知识模块，推动多模态模型从“能描述”向“真懂行”进化。
WorldVQA的发布，首次将多模态模型的“视觉基础知识”纳入核心评测维度，打破“复杂推理=强多模态能力”的误区。其测试结果表明，要让模型成为“可靠的视觉观察者”，需先补全“视觉百科全书”，而非一味堆叠推理能力。
AI 速览
