计算机视觉大模型多模态计算机视觉任务、专用计算机视觉任务、计算机视觉大模型测试、测评指标计算方法.pdfVIP

GB/TXXXXX.4—XXXX

附录A

（资料性）

多模态计算机视觉任务

A.1视觉表达任务

A.1.1.1图像描述

用于图像描述任务的计算机视觉大模型：

a）对给定图像或视频，输出词语或预先定义的标识，描述图像或视频的类型或特征；

b）输出自然语言描述的类型或特征；

c）推荐使用主观测评方法（见附录C.2）、CIDEr指标或BLEU指标（见GB/T45288.2—2025附录

A.1.5）衡量图像描述的效果。

A.1.1.2图文理解

用于图文理解任务的计算机视觉大模型：

a）理解图像及文字混合输入或包含文字的图像，输出对应的类型或特征；

b）推荐回答a）中包含的问题（如有）；

c）推荐输出自然语言表达，描述图文输入的类型、特征或回答图文输入中的问题；

d）推荐使用准确率或Rouge-L指标（见GB/T45288.2—