ConTextual基准发布：评估多模态模型图文联合推理

Hugging Face 发布 ConTextual 基准，用于评估多模态大模型在图文联合推理任务上的表现。该基准包含多个子任务，如视觉问答、图表理解、文档解析等，旨在衡量模型对图像与文本上下文结合的理解能力。首批评测结果已公布，涵盖主流模型如 GPT-4V、Claude 3、Gemini 等。ConTextual 提供了标准化评估框架，有助于推动多模态模型在复杂场景下的性能提升。