Hospitality-VQA：面向视觉语言模型的决策导向信息量评估

近来视觉语言模型（VLM）的进展在通用领域展现出令人印象深刻的多模态理解能力。然而，其在酒店接待等面向决策领域的适用性在很大程度上尚未被探索。本工作研究VLM对酒店与设施图像进行视觉问答（VQA）的能力，这类图像是消费者决策的核心。许多现有VQA基准聚焦事实正确性，却很少捕捉用户真正觉得有用的信息。为解决此问题，我们首先提出信息量（Informativeness）这一形式化框架，量化一个图像-问题对能提供多少与酒店接待相关的信息。在该框架指导下，我们构建了新的酒店接待专用VQA数据集，涵盖各类设施类型，其中问题经专门设计以反映关键的用户信息需求。利用该基准，我们对多个最先进VLM开展实验，揭示出VLM并非天生具备决策意识——关键视觉信号仍未被充分利用，可靠的信息量推理仅在经过适度的领域特定微调后才出现。