10月22日，腾讯混元与北京大学研究者在arXiv发布论文，提出多模态大语言模型评测基准TRIAD，关注模型能否把文字、图像和音频中的不完整线索结合起来，解决单一或两种模态无法唯一确定的问题。论文原文\n\nTRIAD包含327个问题、86个场景组和18类歧义，覆盖英语与中文。每个问题都由文本、图像、音频三部分组成，设计要求是：完整三模态输入能够导出唯一答案，而移除任一模态后，至少保留多个合理选项。研究者还通过场景组改变其中一种模态，观察模型是否会随线索变化而更新答案，而不是依据固定场景印象作答。\n\n论文评估了14个全模态系统，并同时报告问题级准确率和场景组准确率。多项选择设置下，表现最好的模型场景组准确率为71.2%，人类基线为91.6%；该模型的问题级准确率则为90.4%，说明逐题答对并不等于能在一组相关场景中保持一致。去掉选项后，模型的场景组准确率进一步降至个位数，而人类表现相对稳健。研究还指出，当文字和图像已经存在时，现有系统经常没有充分利用音频线索。\n\n这项工作的意义不在于提供一个覆盖所有多模态能力的总榜，而是把评测重点从“是否识别出内容”推进到“是否真正完成跨模态消歧”。不过，该结果来自一篇于10月22日提交的arXiv预印本，评测数据规模、题目构造方式和模型覆盖范围仍决定了结论的适用边界，不能直接等同于所有真实场景中的多模态能力。
参考来源：
由 AI 整理，仅供参考；请以原始来源为准。
