COREVQA est un ensemble de données de référence de réponses visuelles aux questions publié par l'Algoverse Artificial Intelligence Research Center en 2025. Les résultats de l'article associé sont « COREVQA : une évaluation comparative des questions visuelles et de l'implication du raisonnement et de l'observation des foules », qui vise à évaluer la capacité d'implication du raisonnement des modèles de langage visuel (VLM) dans les scènes de foule.

Cet ensemble de données contient 5 608 paires d'images et de phrases vrai/faux. Ces images sont issues de l'ensemble de données CrowdHuman. Elles représentent principalement des scènes réelles de foule, mettant l'accent sur des problèmes tels que l'occlusion, les changements de perspective et les interférences d'arrière-plan. Elles visent à améliorer les capacités de perception et de raisonnement précis des VLM dans des situations sociales complexes.

Les données comprennent :

• Image de la scène (image_id)
• Énoncé en langage naturel (question)
• Étiquette binaire (réponse : VRAI / FAUX)