論文の概要: CulturalMenuBench: Probing the Knowledge-Application Gap in Multimodal Culinary Reasoning
- arxiv url: http://arxiv.org/abs/2609.03526v1
- Date: Thu, 03 Sep 2026 08:24:22 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-04 18:28:38.98232
- Title: CulturalMenuBench: Probing the Knowledge-Application Gap in Multimodal Culinary Reasoning
- Title（参考訳）: CulturalMenuBench:マルチモーダル・クリーナリー推論における知識応用ギャップの検証
- Abstract要約: CulturalMenuBenchは18リージョン10言語で4,870項目のベンチマークである。
10のタスクは、最終ダイッシュとステップバイステップの調理イメージを、材料、手続きテキスト、地域ラベルで組み合わせる。
標準のマルチチョイスタスクでは94%を超えるモデルが、中国の地方料理に料理を帰属させると、少なくとも56%に低下する。
- 参考スコア（独自算出の注目度）: 54.76869488340919
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Multimodal language models achieve near-ceiling scores on food recognition benchmarks, yet it remains unclear whether this success reflects genuine cultural understanding or mere visual matching. To probe this distinction, we introduce CulturalMenuBench, a benchmark of 4,870 items in 10 languages across 18 regions; its 10 tasks pair final-dish and step-by-step cooking images with ingredients, procedural text, and regional labels, spanning basic recognition to process-grounded cultural attribution. Evaluating 12 models exposes a substantial knowledge-application gap: models exceeding 94% on standard multiple-choice tasks drop to at most 56% when attributing dishes to Chinese regional cuisines, despite an identical four-way format. Diagnostic analyses explain why: error patterns are consistent with random guessing, accuracy tracks visual distinctiveness rather than cultural structure, and models classify cuisines more accurately from dish names alone than from images (+7-18 points). The knowledge is thus present but cannot be activated through visual input. An ablation confirms these tasks genuinely require procedural evidence: removing sequential cooking images selectively degrades process-grounded tasks while others remain stable. Overall, CulturalMenuBench shows that near-perfect recognition can conceal an inability to apply cultural knowledge, motivating training that explicitly connects perception, procedure, and cultural context. Code and data are publicly available.
- Abstract（参考訳）: マルチモーダル言語モデルは、食品認識ベンチマークにおいて、ほぼシーリングスコアを達成しているが、この成功が真の文化的理解や単なる視覚的マッチングを反映しているかどうかは不明だ。
この違いを解明するために,文化メニューベンチ(CulturalMenuBench)という18の言語10ヶ国における4,870項目のベンチマークを紹介した。
標準的な複数選択タスクでは94%を超えるモデルが、同じ4方向フォーマットにもかかわらず、中国の地方料理に料理を帰属させる場合、少なくとも56%に低下する。
エラーパターンはランダムな推測と一致し、正確さは文化構造よりも視覚的特徴をトラックし、モデルはイメージからではなく料理名からより正確に分類する(+7-18点)。
したがって、知識は存在するが、視覚入力によって活性化することはできない。
シーケンシャルな調理画像の除去は、プロセス基底のタスクを選択的に劣化させ、他のタスクは安定している。
全体として、CulturalMenuBenchは、ほぼ完璧な認識は、文化的知識を適用することができないことを隠蔽し、認識、手続き、文化的文脈を明示的に結びつけるトレーニングを動機付けていることを示している。
コードとデータは公開されている。
関連論文リスト
- Right Frame, Wrong Rule: Cultural Cues Expose the Financial Knowledge Gap They Were Meant to Close [57.963463622270275]
イスラム金融における規範的多元主義を4つの分類法を用いて研究する。
文化的キューは1つのフレームワークに向かってモデルを操縦するが、そのモデルはそのフレームワーク内で間違った答えを選択する。
論文 参考訳（メタデータ） (2026-09-01T09:46:53Z) - World in a Frame: Understanding Culture Mixing as a New Challenge for Vision-Language Models [41.385606397781714]
大規模視覚・言語モデルが文化混合のシナリオをどのように知覚するかを考察する。
食品ビジュアル質問回答 (VQA) ベンチマークである CultureMix を用いて,23k の拡散生成,人間による検証,画像の混合を行う。
個別の文化的アイデンティティを混在した環境で保存する一貫した失敗を見出す。
論文 参考訳（メタデータ） (2025-11-27T22:23:08Z) - Mitigating Cross-modal Representation Bias for Multicultural Image-to-Recipe Retrieval [33.17028372962136]
画像とレシピ間のモダリティギャップを橋渡しするクロスモーダル表現は、微妙なレシピ特有の詳細を無視する傾向がある。
本稿では,イメージに見過ごされる可能性のある料理の要素を予測する新しい因果的アプローチを提案する。
標準のモノリンガルRecipe1Mデータセットと、新しくキュレートされた多言語多文化料理データセットで実験を行った。
論文 参考訳（メタデータ） (2025-10-23T09:43:43Z) - When Tom Eats Kimchi: Evaluating Cultural Bias of Multimodal Large Language Models in Cultural Mixture Contexts [15.78054683369659]
異文化間バイアスベンチマークであるMixCuBeを導入し、5カ国と4民族の要素について検討する。
以上の結果から,MLLMは高資源培養において高い精度と低感度を達成できることが判明した。
GPT-4oは、全体として最高のパフォーマンスモデルであり、低リソース文化における原文化と摂動文化の精度の最大58%の違いを示している。
論文 参考訳（メタデータ） (2025-03-21T03:50:05Z) - WorldCuisines: A Massive-Scale Benchmark for Multilingual and Multicultural Visual Question Answering on Global Cuisines [74.25764182510295]
視覚言語モデル(VLM)は、特に英語以外の言語において、文化特有の知識に苦しむことが多い。
我々は多言語および多文化の視覚的理解のための大規模ベンチマークであるWorld Cuisinesを紹介した。
このベンチマークには、30の言語と方言にまたがるテキストイメージペアを備えた、視覚的質問応答(VQA)データセットが含まれている。
論文 参考訳（メタデータ） (2024-10-16T16:11:49Z) - CulturalBench: A Robust, Diverse, and Challenging Cultural Benchmark by Human-AI CulturalTeaming [75.82306181299153]
カルチャーベンチ(CulturalBench)は、LMの文化的知識を評価するための1,696の人文・人文的な質問である。
バングラデシュ、ジンバブエ、ペルーなど45の地域をカバーしている。
我々はHuman-AI Red-Teamingにインスパイアされた手法を用いてCulturalBenchを構築した。
論文 参考訳（メタデータ） (2024-10-03T17:04:31Z) - Crossroads of Continents: Automated Artifact Extraction for Cultural Adaptation with Large Multimodal Models [22.92083941222383]
DALL-E 3によって生成され、人間によって検証される大規模なデータセットであるDalleStreetを紹介する。
我々は,オープンソース(LLaVA)とクローズドソース(GPT-4V)の両方のモデルを用いて,地理的サブリージョンレベルでの文化的理解の相違を見出した。
以上の結果から,LMMの文化的能力の微妙なイメージが浮かび上がっており,文化認識システムの開発の必要性が浮かび上がっている。
論文 参考訳（メタデータ） (2024-07-02T08:55:41Z) - FoodieQA: A Multimodal Dataset for Fine-Grained Understanding of Chinese Food Culture [60.51749998013166]
中国各地の食文化の複雑な特徴を,手作業でキュレートした,きめ細かい画像テキストデータセットであるFoodieQAを紹介した。
視覚言語モデル(VLM)と大規模言語モデル(LLM)を,新たに収集した未確認食品画像およびそれに対応する質問に対して評価する。
以上の結果から,食品とその文化的意味の理解は依然として困難かつ未解明の方向にあることが示唆された。
論文 参考訳（メタデータ） (2024-06-16T17:59:32Z) - CVQA: Culturally-diverse Multilingual Visual Question Answering Benchmark [68.21939124278065]
言語と文化の豊富なセットをカバーするために設計された、文化的に多言語なビジュアル質問回答ベンチマーク。
CVQAには文化的に駆動されたイメージと、4大陸30カ国の質問が含まれ、31の言語と13のスクリプトをカバーし、合計10万の質問を提供する。
CVQA上で複数のマルチモーダル大言語モデル (MLLM) をベンチマークし、現在の最先端モデルではデータセットが困難であることを示す。
論文 参考訳（メタデータ） (2024-06-10T01:59:00Z)
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。