COREVQA ist ein visueller Benchmark-Datensatz zur Beantwortung von Fragen, der 2025 vom Algoverse Artificial Intelligence Research Center veröffentlicht wurde. Die zugehörigen Ergebnisse sind „COREVQA: Ein Benchmark zur visuellen Beantwortung von Fragen und Antworten auf die Beobachtung und Schlussfolgerung von Menschenmengen“, dessen Ziel es ist, die Fähigkeit visueller Sprachmodelle (VLMs) zur Schlussfolgerung in Massenszenen zu bewerten.

Dieser Datensatz enthält 5.608 Bildpaare und Richtig/Falsch-Sätze. Die Bilder stammen aus dem CrowdHuman-Datensatz. Die Daten zeigen hauptsächlich reale Menschenmengen und betonen Herausforderungen wie Okklusion, Perspektivwechsel und Hintergrundstörungen. Ziel ist es, die feinkörnige Wahrnehmung und das Denkvermögen von VLMs in komplexen sozialen Szenarien zu verbessern.

Die Daten umfassen:

• Szenenbild (image_id)
• Aussage in natürlicher Sprache (Frage)
• Binäres Label (Antwort: WAHR / FALSCH)