为什么重要
A-OKVQA 是 OK-VQA 的全面升级——不仅需要外部知识，还需要常识推理、文化知识和视觉推理的组合。每个问题都标注了推理类别（知识、视觉、语言、常识），支持细粒度能力分析。同时提供选择题（MC）和直接回答（DA）两种评测模式。
构建方式
众包标注者对 COCO 图片提问，设计要求同时涉及视觉理解和知识推理。每题标注推理类型、10 个参考答案、选择题选项。质量控制更严格。
任务示例
- 图片：一辆老式红色消防车
- 问题：“In what decade was this type of vehicle first widely used?” → 答案：“1920s”
- 推理：需视觉识别（老式消防车）+ 历史知识
关键发现
- DA 模式下准确率比 MC 模式低 15-20%，说明模型依赖选项提示
- 常识推理题是最难的类别
- 检索增强 + 视觉模型的组合效果最好
关联基准
OK-VQA（前身）、VQAv2（标准 VQA）、InfoVQA（信息图 QA）
不足与展望
仍基于 COCO 图片，视觉场景多样性有限。答案评测仍依赖字符串匹配。