視覺問答（visual question answering）

視覺問答（visual question answering，簡稱 VQA）是有目的的影像描述：不是自由描述，而是你問一個具體問題、想要一個具體答案。那位女士的傘是什麼顏色？桌邊有幾個人？紅綠燈是綠的嗎？模型得在影像中定位正確的東西，只回答那一點——比起含糊的標題，這是對「看見」更銳利的考驗。

機制上是同一條管線——影像詞元加上問題詞元進入 Transformer，由它生成答案——但問題會把注意力導向相關的區域。VQA 基準長期是多模態模型的標準量尺，涵蓋日常照片、圖表、文件與科學圖解，而指令微調把單純的 VQA 變成開放式的視覺對話。

VQA 把失敗模式攤得很清楚：數數、讀小字、否定句（如「哪個人沒有坐著」），以及那些誠實答案其實是「光看這張圖無從判斷」的問題，都能絆倒原本聽起來很權威的模型。