在人工智能快速发展的今天，视觉语言模型（VLMs）展现出了令人印象深刻的能力，无论是生成图像描述、回答关于图像的复杂问题，还是根据文字描述创建图像。然而，这些模型在需要结构化逻辑推理的视觉任务上仍显示出明显的不足。这一局限性严重制约了它们在图表理解和多模态决策

数据集 华盛顿大学 v visualsphinx 训练数据集 2025-06-05 23:38  3