CLBench-V：从定位到知识获取的多模态上下文学习评估

CLBench-V 是一个用于评估多模态上下文学习能力的基准，包含 3,443 个实例，覆盖科学、金融、长文档理解、空间推理和网页视觉问答等领域。测试六个近期多模态模型后，最佳总体得分仅为 0.2847，其中 InternVL3.5-30B-A3B 在上下文定位和新知识学习上表现最好，Qwen3.5-Plus 在新信息应用上最佳。

现有上下文学习评估主要针对纯文本，但实际任务常涉及图表、地图等多模态信息。CLBench-V 首次系统性地从三个维度评估多模态上下文学习，并揭示当前模型在此能力上远未饱和，为多模态模型改进提供了明确方向和量化基线。

CLBench-V 将上下文学习拆解为上下文定位、新信息应用和新知识学习三个子能力，便于定位模型失效环节。通过转换公开基准和自动构建新数据集，降低了领域任务构建成本，使评估可扩展。测试结果表明，不同模型在不同子能力上各有优势，且整体得分低说明多模态上下文学习仍是挑战。

对多模态 AI 产品（如文档分析、视觉问答）的研发有直接影响：产品团队可参考该基准评估模型能力短板，针对性优化上下文理解模块；同时，由于模型整体表现不佳，产品上线前需人工审核或设置降级方案，以避免错误决策。

• 基于 CLBench-V 构建模型选型评估流程，针对特定业务场景（如金融报告分析）比较不同多模态模型的上下文学习能力。
• 开发自动错误分析工具，利用 CLBench-V 的三个维度定位模型失效环节，辅助产品迭代。
• 利用自动构建流程创建垂直领域多模态上下文学习测试集，降低内部评估成本。
• 在模型能力未饱和时，可推出人机协作功能，由模型提供初步分析，人类审核关键决策。

• CLBench-V 是否覆盖了更多语言和文化的多模态场景？
• 测试的六个模型具体是哪些，其参数规模如何？
• 自动构建的数据集是否经过人工验证，其质量如何保证？
• 该基准是否能预测模型在真实产品中的表现？