多模态大型语言模型能理解中文图像的深意吗？

引言 🎨

在人工智能快速发展的今天，多模态大型语言模型（MLLMs）正在各个领域展现出卓越的性能，包括自然语言处理和计算机视觉等。然而，尽管在图像识别和生成等任务上取得了显著进展，我们依然面临一个重要的问题：这些模型是否真的能够理解和解读那些蕴含深刻意义的图像？

文化的深度与图像的表达 🌏

中国传统图像，尤其是中国传统山水画，不仅仅是自然风光的再现，更是哲学思想的传达。它们通过艺术技巧，诸如虚实结合、留白等手法，体现了人与自然的和谐。正如著名诗人苏轼所言：“诗画同源，工艺与清净共存。”这种深度的文化内涵，往往需要观者具备一定的文化素养才能真正领悟。

📊 CII-Bench的构建

为了解决当前MLLMs在理解中文图像深意方面的不足，我们提出了中文图像意图理解基准（CII-Bench）。该基准旨在全面评估MLLMs在中文环境下的感知、推理和理解能力。CII-Bench包含698幅图像，涵盖生活、艺术、社会、政治、环境和中国传统文化等多个领域。