PunchBench：多模态笑点理解的多模态大语言模型基准

多模态笑点（通过图像-标题对传达幽默或讽刺）是在线多媒体平台上流行的交流方式。随着多模态大语言模型的快速发展，评估其有效理解这些笑点的能力至关重要。然而，现有的笑点理解基准存在三个主要局限：1）语言捷径使模型仅依赖文本；2）缺乏问题多样性；3）仅聚焦于多模态内容的特定领域（如卡通）。为解决这些局限，我们引入了一个多模态笑点理解基准，命名为PunchBench，专为准确且全面地评估笑点理解而设计。为提升评估准确性，我们通过修改原始标题生成同义和反义标题，以减轻标题中捷径的影响。为提供全面评估，PunchBench包含了多样的问题格式和来自不同领域的图像-标题对。在此基础上，我们进行了广泛评估，揭示了最先进的多模态大语言模型与人类在笑点理解上的显著差距。为提升笑点理解，我们提出了简单到复杂的问题链策略，使模型能够通过先掌握简单问题逐步解决复杂问题。该策略有效提升了多种多模态大语言模型在PunchBench上的性能，超越了上下文学习和思维链。