DrawingVQA：施工图多深度视觉文本推理的现实基准

arXiv:2607.15418v1 公告类型：新 摘要：我们推出 DrawingVQA，这是第一个旨在评估真实施工图（建筑、土木和许多其他工程实践的核心媒体）上的多模态大型语言模型 (MLLM) 的基准。与自然图像或示意性平面图不同，施工图融合了抽象几何、符号符号、表格数据、注释和特定领域的文本，形成了工程工作流程的独特复杂的视觉文本领域核心。 DrawingVQA 通过 33 张“为施工而发布”的图纸和 92 个精心策划的问答对弥补了这一差距，涵盖三个推理深度：感知理解、上下文解释和领域专家推理。为了评估模型能力，我们提出了一个双重分类框架，以联合分析七个建筑工程和四个 MLLM 能力维度的性能——这是第一个将工程工作流程明确映射到人工智能推理能力的框架。对最先进的 MLLM 的评估揭示了模型和专家性能之间的巨大差距，特别是在更高的推理深度上。该基准为领域专业多模态推理奠定了基础，以促进人工智能驱动的理解和现实世界工程工作流程的集成。