論文の概要: Jako Tako or Fluent? Presenting PoVisLE: A Polish Vision-Language Evaluation

• arxiv url: http://arxiv.org/abs/2608.07763v1
• Date: Fri, 07 Aug 2026 21:01:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-11 19:16:36.504846
• Title: Jako Tako or Fluent? Presenting PoVisLE: A Polish Vision-Language Evaluation
• Title（参考訳）: Jako Tako か Fluent か? PoVisLE を提示する:ポーランドのビジョンランゲージ評価
• Abstract要約: 視覚言語モデル(VLM)は、画像キャプション、視覚的質問応答、画像からテキスト生成といったタスクにおいて、強力なパフォーマンスを実現している。 主に英語中心のデータに基づいて訓練されており、文化的に根ざした視覚的理解を扱う能力を制限する。 本稿では,PoVisLEについて紹介する。PoVisLEはポーランドのモノカルチャー視覚言語ベンチマークで,文化的基盤を持つマルチモーダル理解を評価する。
• 参考スコア（独自算出の注目度）: 2.3757872686260506
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Vision-language models (VLMs) have achieved strong performance on tasks such as image captioning, visual question answering, and image-to-text generation. However, they are predominantly trained on English-centric data, which limits their ability to handle culturally grounded visual understanding and leads to failures in interpreting region-specific meanings, symbolic content, and context-dependent visual cues. Existing benchmarks for cultural competence are often template-driven and focused on surface-level recognition, making them insufficient for evaluating deeper linguistic and pragmatic understanding in culturally situated settings. We introduce PoVisLE, a monocultural vision-language benchmark for Polish designed to evaluate culturally grounded multimodal understanding under a grounded evaluation paradigm, where language is interpreted in interaction with visual context. The dataset contains 1,117 images and 2,366 manually annotated VQA pairs. Overall, our dataset provides a controlled and challenging resource for assessing culturally grounded vision-language understanding beyond surface-level recognition.
• Abstract（参考訳）: 視覚言語モデル(VLM)は、画像キャプション、視覚的質問応答、画像からテキストへの生成といったタスクにおいて、強力なパフォーマンスを実現している。 しかし、それらは主に英語中心のデータに基づいて訓練されており、文化的に根ざした視覚的理解を扱う能力が制限され、地域固有の意味、象徴的内容、文脈に依存した視覚的手がかりの解釈に失敗する。 既存の文化能力のベンチマークは、しばしばテンプレート駆動であり、表面レベルの認識に焦点を当てているため、文化的に位置する環境での言語的および実践的な理解を評価するには不十分である。 ポーランド語のためのモノカルビジョン言語ベンチマークPoVisLEを導入し,言語が視覚的文脈と相互作用して解釈されるという評価パラダイムの下で,文化的基盤を持つマルチモーダル理解を評価する。 データセットには、1,117の画像と2,366の注釈付きVQAペアが含まれている。 全体として、私たちのデータセットは、表面レベルの認識を超えた文化的基盤を持つ視覚言語理解を評価するための、制御され、困難なリソースを提供します。

関連論文リスト

• VULCA-Bench: A Multicultural Vision-Language Benchmark for Evaluating Cultural Understanding [7.342985549865413]
  VULCA-Benchは、視覚・言語モデル(VLM)の文化的理解を表面的な視覚的知覚を超えて評価するための多文化的アート批判ベンチマークである。 既存のVLMベンチマークは主にL1-L2の能力を測定し、高次の文化的解釈を過小評価している。 VULCA-Benchには8つの文化伝統にまたがる7,410のマッチングされた画像批評対があり、中国語と英語のバイリンガルがカバーされている。
  論文  参考訳（メタデータ） (2026-01-12T20:36:30Z)
• BLEnD-Vis: Benchmarking Multimodal Cultural Understanding in Vision Language Models [54.16874020794336]
  視覚言語モデル(VLM)における日常的文化的知識の堅牢性を評価するためのベンチマークであるBLEnD-Visを紹介する。 BLEnD-Visは16の領域にまたがる文化的根拠を持つ313の質問テンプレートを構築し、3つの整列した複数選択形式を生成する。 その結果得られたベンチマークは、4,916の画像と、人間のアノテーションで検証された21,000以上のMultiple-choice Question (MCQ)インスタンスで構成されている。
  論文  参考訳（メタデータ） (2025-10-13T09:10:05Z)
• Multilingual Vision-Language Models, A Survey [0.9722250595763385]
  本研究では,言語間でテキストや画像を処理する多言語視覚言語モデルについて検討する。 エンコーダのみおよび生成アーキテクチャにまたがる31のモデルと21のベンチマークをレビューする。
  論文  参考訳（メタデータ） (2025-09-26T09:46:13Z)
• CultureScope: A Dimensional Lens for Probing Cultural Understanding in LLMs [57.653830744706305]
  CultureScopeは、大規模な言語モデルにおける文化的理解を評価するための、これまでで最も包括的な評価フレームワークである。 文化的な氷山理論に触発されて、文化知識分類のための新しい次元スキーマを設計する。 実験結果から,文化的理解を効果的に評価できることが示唆された。
  論文  参考訳（メタデータ） (2025-09-19T17:47:48Z)
• Disentangling Language and Culture for Evaluating Multilingual Large Language Models [48.06219053598005]
  本稿では,LLMの多言語機能を包括的に評価するデュアル評価フレームワークを提案する。 言語媒体と文化的文脈の次元に沿って評価を分解することにより、LLMが言語間を横断的に処理する能力の微妙な分析を可能にする。
  論文  参考訳（メタデータ） (2025-05-30T14:25:45Z)
• RAVENEA: A Benchmark for Multimodal Retrieval-Augmented Visual Culture Understanding [79.44246283490665]
  本稿では,検索による視覚文化理解の促進を目的とした新しいベンチマークであるRAVENEAを紹介する。 RAVENEAは、文化中心の視覚的質問応答(cVQA)と文化インフォームドイメージキャプション(cIC)の2つのタスクに焦点を当てている。 画像クエリ毎に7つのマルチモーダルレトリバーを訓練・評価し、14の最先端の視覚言語モデルにおける検索強化入力の下流への影響を計測する。
  論文  参考訳（メタデータ） (2025-05-20T14:57:16Z)
• CROPE: Evaluating In-Context Adaptation of Vision and Language Models to Culture-Specific Concepts [45.77570690529597]
  文化固有の概念の知識を探索するための視覚的質問応答ベンチマークであるCROPEを紹介する。 いくつかの最先端のオープンビジョンと言語モデルの評価は、文化固有の概念と共通の概念の相違が大きいことを示す。 文脈知識を用いた実験は、モデルがマルチモーダル情報を効果的に活用し、文化固有の概念を描写に結びつけるのに苦労していることを示している。
  論文  参考訳（メタデータ） (2024-10-20T17:31:19Z)
• Benchmarking Vision Language Models for Cultural Understanding [31.898921287065242]
  本稿では,視覚言語モデル(VLM)の評価を目的とした視覚的質問応答ベンチマークであるCulturalVQAを紹介する。 我々は,5大陸11カ国の文化を表わす質問毎の回答が1～5である2,378枚の画像検索ペアのコレクションをキュレートした。 質問は、衣服、食べ物、飲み物、儀式、伝統など、様々な文化の側面の理解を調査する。
  論文  参考訳（メタデータ） (2024-07-15T17:21:41Z)
• Extrinsic Evaluation of Cultural Competence in Large Language Models [53.626808086522985]
  本稿では,2つのテキスト生成タスクにおける文化能力の評価に焦点をあてる。 我々は,文化,特に国籍の明示的なキューが,そのプロンプトに乱入している場合のモデル出力を評価する。 異なる国におけるアウトプットのテキスト類似性とこれらの国の文化的価値との間には弱い相関関係がある。
  論文  参考訳（メタデータ） (2024-06-17T14:03:27Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。