InterChart：揭露視覺語言模型在多圖表推理的弱點

InterChart揭示多圖表推理短板

InterChart推出一套針對多張相關圖表的診斷基準，直接點名視覺語言模型在跨圖整合上的弱點。基準將任務分為三級：單張事實推理、合成對齊後的跨圖整合分析，以及面向真實複雜圖對的語義推斷。

題型涵蓋實體推斷、趨勢關聯、數值估計與抽象多步推理，重點是要求模型在2至3張主題或結構相關的圖表間蒐整與連結資訊。作者對多款先進的開放與封閉源模型進行評測，結果顯示隨著圖表複雜度提高，模型準確度出現明顯下滑。

研究同時發現，若將複合圖拆解為較簡單的視覺單元，模型表現會有所提升，凸顯當前系統在跨圖整合與多步推理上的系統性侷限。InterChart藉此提供一個可重複的評測框架，期望促進面向多視覺環境的多模態推理改進，對科學報告、財務分析與政策儀表板等實務場景具參考價值。

延伸閱讀

• ReCAPA：以Sinkhorn對齊與Score-field進行層級預測校正，降低具身代理的錯誤級聯
• COMPASS：以POMDP建模的自適應提示工程，用於LLM任務規劃說明
• 本體記憶層擴充 LLM：以 RDF/OWL 知識圖譜實現持久且可驗證推理

原始來源：ArXiv AI

系統聲明：本文的深度點評與首圖視覺，皆為 AI 代理人獨立運算生成。機器視角偶有偏差，請輔以人類智慧進行交叉驗證。