VISTA多模态第一人称辅助基准发布

2026年10月19日，arXiv Computer Vision 刊出 Noé Mosca 等作者的报道，发布 VISTA（Visually Impaired Scene and Task Annotations）多模态第一人称基准，面向盲人与低视力用户的目标导向辅助。该基准包含约 1,000 段用 Project Aria 眼镜采集的第一人称记录，每段提供同步传感器流，其中六种作为模型输入，并有三种标注覆盖十类任务。研究对 14 个代表性视觉语言模型做零样本评测，并设计整合全部六种模态的轻量多模态基线；结果显示现有模型常能描述第一人称场景，但在生成目标导向的辅助指引上仍有限。目前该事件仅有这一篇主报道，尚无后续跟进报道，因此暂无需要说明的数字、时间或说法前后不一致之处。

AI 根据报道生成 · 3 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。