论文发布首个多模态有状态交互数据集与基准 YANAMI。
资讯摘要
论文提出 YANAMI，称其为首个面向多模态有状态交互的大规模多轮对话数据集与基准，包含 40 万条多轮多模态对话、超 200 万张图像和 260 万轮对话，覆盖多图融合、图像编辑、世界建模与视觉推理四类场景。YANAMI-Bench 含 400 条多轮对话，联合评估对话状态理解与视觉实现。作者报告在 YANAMI-400K 上微调 BAGEL 后，图像编辑、生成和多模态有状态交互分别提升 10.3%、2.0% 和 13.23%，并指出现有统一多模态模型仍难以维持和更新跨轮状态。
要点速读
- YANAMI-400K 含 40 万条多轮多模态对话、超 200 万张图像和 260 万轮对话，覆盖多图融合、图像编辑、世界建模、视觉推理四类场景。
- YANAMI-Bench 含 400 条多轮对话，联合评估对话状态理解与视觉实现。
- 作者报告微调 BAGEL 后图像编辑、生成、多模态有状态交互分别提升 10.3%、2.0%、13.23%。
中文摘要由 AI 根据公开来源生成，可能存在理解偏差；具体能力、数字、开放时间等信息请以原文为准。
采集于 2026/11/5 08:00:36（北京时间）。