COREVQA 视觉问答基准数据集

COREVQA 是由 Algoverse 人工智能研究中心于 2025 年发布的一个视觉问答基准数据集，相关论文成果为 「COREVQA: A Crowd Observation and Reasoning Entailment Visual Question Answering Benchmark」，旨在评估视觉语言模型（VLM）在 人群场景中的推理蕴含能力。

该数据集包含 5,608 对图像与真/假语句对，图像源自 CrowdHuman 数据集。数据以真实拥挤场景为主，强调遮挡、视角变化与背景干扰等难点，旨在推动 VLM 在复杂社会场景下的细粒度感知与推理能力。

数据包含：

• 场景图像（image_id）
• 自然语言陈述（question）
• 二分类标签（answer:TRUE / FALSE）