視覚言語モデル (Vision–Language Model; VLM) は急速に発展しているが,日本語における評価はタスクや領域ごとに散在しており,能力の全体像と妥当な比較を一貫して捉えにくい. 本研究は,日本語に対応するVLMの能力を総合的・体系的に測る評価基盤を構築し,タスク横断の実証評価を示す. 提案する評価基盤llm-jp-eval-mmは,日本語10種・英語9種の既存データセットを統合し,定義した能力軸に沿って一貫したプロトコルで評価できるツールキットである. 本稿では能力軸の定義,評価基盤の設計,データセット選定と実装を述べ,公開済みの国内外32種のVLMを同一条件で評価して,国内で開発されたVLMが相対的に弱い能力領域を明らかにし,英日間の性能相関の構造を報告する. 本評価基盤は,VLMの包括的理解と信頼できる比較を可能にし,今後のモデル改良とベンチマーク設計の指針を与える.
Maeda et al. (Thu,) studied this question.