英文：Visual Question Answering 分类：multimodal
输入图像与自然语言问题，输出答案的任务（VQA）。它要求模型同时理解视觉内容与语言语义，是评测多模态大模型的核心任务。
技术路线：视觉编码器+语言模型融合（LLaVA 范式）、端到端多模态预训练；能力要求：细粒度识别（颜色、计数、关系）、推理（空间/因果）与引用（指认区域）；评测基准：VQAv2、GQA、MMStar 等。
用于智能助手看图问答、无障碍辅助（为视障者描述场景）、电商看图咨询与文档图像问答；VQA 是多模态智能的"看图说话"入口。