为什么重要
评测”需要读图中文字才能回答问题”的能力——读路牌、产品标签、菜单等。多模态 OCR 能力经典评测。
构建方式与示例
45336 个问答对。例如：[店铺招牌照片] “这家店叫什么名字？“
返回评测
文档与OCR 文档-VQA 接近饱和
模态 · 图像
任务 · 开放生成 CVPR 2019
TextVQA
需要阅读图像中文字信息才能回答的视觉问答，评测 OCR + VQA 联合能力
Facebook AI ·
考察能力
文字图像 OCR+VQA 场景文字
构建信息
- 数据规模
- 45336 questions / 28408 images
- 构建方式
- OpenImages + 众包
- 评测方式
- VQA Accuracy
- 核心指标
- Accuracy (%)
资源链接
模型效果排行
🥇 GPT-4o
~78% 2024-05
🥈 Gemini 2.5 Pro
~82% 2025-11
文字图像 OCR VQA