为什么重要
GQA 基于 Visual Genome 的场景图自动生成结构化问题，从根本上解决了 VQA 数据集中的标注偏差和语言捷径问题。它评测的不只是准确率，还包括一致性（同一事实不同问法）、有效性和合理性，是多模态推理评测的标杆。
构建方式
从 Visual Genome 场景图出发，通过程序化方法生成需要多步推理的问题。问题涉及空间关系、属性比较、逻辑运算等，确保必须”看图”才能回答。
任务示例
- 图片：公园场景
- 问题：“Is the dog to the left of the bench that is near the tree?” → 需要定位 dog → bench → tree 的空间关系
关键发现
- 多维度评测揭示模型”准确但不一致”的问题——换个问法就答错
- 组合推理能力是视觉模型的主要瓶颈
- 场景图生成方法保证了标注质量和可控性
关联基准
VQAv2（开放式 VQA）、CLEVR（合成视觉推理）、OK-VQA（需外部知识的 VQA）
不足与展望
场景图限于 Visual Genome 的标注质量。程序生成的问题可能缺乏自然性。