为什么重要
RealWorldQA 使用真实世界场景照片（非网络图片）评测多模态模型的实际视觉理解能力。
构建方式与示例
真实场景拍摄的照片 + 问题。例如：[超市货架照片] “这个货架上最便宜的洗发水品牌是什么？“
返回评测
多模态 VLM-理解 未饱和
模态 · 图文
任务 · 开放生成
RealWorldQA
来自真实照片的视觉理解问题，测试模型在日常场景中的视觉认知能力
xAI ·
考察能力
真实世界 视觉问答 日常场景 驾驶 导航
构建信息
- 数据规模
- 765 questions
- 评测方式
- 标准评测
- 核心指标
- Accuracy (%)
资源链接
模型效果排行
🥇 Gemini 2.5 Pro
72.4%
🥈 GPT-5 Vision
69.8%
🥉 GPT-4V
61.4%
多模态 真实世界 视觉