DomainCQA：从领域专题图表中构建知识密集型问答
计算与语言
2026-01-21 v6
摘要
图表问答(CQA)评估多模态大语言模型(MLLM)在图表数据上的视觉理解与推理能力。然而，现有基准大多测试表层级解析，如读取标签和图例，忽略了更深层的科学推理。我们提出DomainCQA框架，用于构建领域特定CQA基准，强调视觉理解与知识密集型推理。它集成复杂度感知的图表筛选、多层次问答生成与专家验证。应用于天文学领域，DomainCQA生成AstroChart基准，包含1690个问答对，覆盖482个图表，揭示了在21个MLLM中对细粒度感知、数值推理和领域知识集成的持续弱点。在AstroChart上微调可提升基本及高级任务性能。生物化学、经济学、医学和社会科学的初步问答集进一步证明了DomainCQA的普适性。我们的工作确立了DomainCQA作为构建和补充领域特定图表推理基准的统一管道。
引用
@article{arxiv.2503.19498,
title = {DomainCQA: Crafting Knowledge-Intensive QA from Domain-Specific Charts},
author = {Yujing Lu and Ling Zhong and Jing Yang and Weiming Li and Peng Wei and Yongheng Wang and Manni Duan and Qing Zhang},
journal= {arXiv preprint arXiv:2503.19498},
year = {2026}
}
备注
83 pages, 59 figures