LLM 回答孟加拉医学视觉问题的能力如何？数据集和基准测试

大语言模型 (LLM) 和大视觉语言模型 (LVLM) 的最新进展使通用系统能够在复杂推理任务（包括医学领域的推理任务）中展示出有前景的能力。医学视觉问答（MedVQA）尤其受益于这些发展。然而，尽管孟加拉语是全球使用最广泛的语言之一，但尚无既定的 MedVQA 基准。为了解决这一差距，我们引入了 BanglaMedVQA，这是一个包含经过临床验证的图像-问题-答案对的数据集，以及对该资源上当前基础模型的综合评估。与先前报告的当前模型在英语 MedVQA 基准上表现不佳的研究结果一致，我们的分析表明孟加拉语的表现要低得多，反映了低资源语言固有的挑战。即使是 Gemini 和 GPT-4.1 mini 等性能最佳的模型也无法准确回答专门的诊断问题，这表明细粒度医学推理存在严重局限性。尽管某些开源模型（例如 Gemma-3）偶尔在一般类别中优于这些模型，但它们也难以解决临床复杂的问题，这凸显了对一流评估方法的迫切需要。