# Benchmarki multimodalne (obraz, wykres, wideo)

EN: **Multimodal model benchmarks** · id `multimodalbench` · aliases: multimodal benchmarks, vision-language benchmarks, benchmarki multimodalne, benchmarki modeli wizja-język

Path: [AI Atlas](https://aiatlasgraph.com/llms.txt) › [Ewaluacja i interpretowalność](https://aiatlasgraph.com/t/evaluation.md) › [Metryki i benchmarki](https://aiatlasgraph.com/t/metrics.md) › [Benchmarki modeli językowych](https://aiatlasgraph.com/t/llmbenchmarks.md) › Benchmarki multimodalne (obraz, wykres, wideo)

## Description

- PL: Benchmarki oceniające modele multimodalne na pytaniach wymagających percepcji i rozumowania nad obrazami, wykresami, diagramami lub wideo, często na poziomie akademickim.
- EN: Benchmarks testing multimodal models on questions requiring perception and reasoning over images, charts, diagrams or video, often at college level.

## In one sentence

- PL: Testy sprawdzające, czy model rozumie obrazy, wykresy, diagramy i filmy, a nie tylko sam tekst.
- EN: Tests checking whether a model understands pictures, charts, diagrams and videos, not just text.

## Problem it solves

- PL: Model może świetnie pisać, a mylić się przy odczytywaniu wykresu czy schematu, czego tekstowe testy nie pokażą.
- EN: A model may write brilliantly yet misread a chart or diagram, which text-only tests will not reveal.

## What it does

- PL: Daje modelowi pytania z egzaminów, w których odpowiedź wymaga połączenia wiedzy z tym, co widać na rysunku.
- EN: It gives the model exam questions where the answer requires combining knowledge with what the picture shows.

## Everyday example

- PL: Student wrzuca zdjęcie wykresu z książki do ekonomii i pyta o trend; test sprawdza, czy model odczytuje wartości poprawnie.
- EN: A student uploads a photo of an economics textbook chart and asks about the trend; the test checks whether the model reads values correctly.

## This concerns you if you…

- PL: pokazujesz AI zdjęcia, zrzuty ekranu lub dokumenty
- PL: wybierasz model do pracy z wykresami i schematami
- EN: show AI photos, screenshots or documents
- EN: choose a model for working with charts and diagrams

## Keywords

MMMU · MMMU-Pro · MathVista · ChartQA · Video-MME · MMBench · DocVQA · visual reasoning

## How it works

- PL: Zadania łączą tekst z różnymi typami obrazów (wykresy, mapy, tabele, nuty, wzory chemiczne) z wielu dziedzin. Odpowiedzi są zwykle wielokrotnego wyboru lub krótkie, oceniane dokładnym dopasowaniem. Wersje rozszerzone usuwają pytania rozwiązywalne bez obrazu, by wymusić faktyczne patrzenie.
- EN: Tasks pair text with varied image types (charts, maps, tables, sheet music, chemical structures) across many disciplines. Answers are usually multiple-choice or short, scored by exact match. Extended versions remove questions solvable without the image to force genuine visual use.

## Limits

- PL: Część pytań daje się rozwiązać z samego tekstu lub wiedzy ogólnej, co zawyża wyniki. Format wielokrotnego wyboru nie sprawdza swobodnego opisu obrazu, a benchmarki szybko się nasycają i ulegają kontaminacji.
- EN: Some questions can be solved from text or general knowledge alone, inflating scores. Multiple-choice format does not test free-form image description, and benchmarks saturate and get contaminated quickly.

## Key terms

- PL: **model multimodalny**: Model przyjmujący naraz tekst i inne rodzaje danych, np. obrazy.
- PL: **skrót tekstowy**: Rozwiązanie zadania bez patrzenia na obraz, tylko z treści pytania.
- EN: **multimodal model**: A model taking text plus other data types, such as images.
- EN: **text-only shortcut**: Solving a task from the question text without looking at the image.

## Know first

- [Modele wizja–język (opisywanie obrazów i pytania o nie) (Vision-language models (VLMs))](https://aiatlasgraph.com/t/vlm.md)

## Related topics

Untyped, symmetric "see also" links.

- [Rozumienie dokumentów, wykresów i zrzutów ekranu (Document, chart and screenshot understanding)](https://aiatlasgraph.com/t/docvision.md)

## Sources

- [MMMU: A Massive Multi-discipline Multimodal Understanding and Reasoning Benchmark for Expert AGI](<https://arxiv.org/abs/2311.16502>) `mmmu-2023` · by Xiang Yue, Yuansheng Ni, Kai Zhang, Tianyu Zheng, Ruoqi Liu, Ge Zhang, Samuel Stevens i in. (22 autorów, ostatni Wenhu Chen)

---

AI Atlas revision 130 (2026-11-06) · HTML: https://aiatlasgraph.com/t/multimodalbench · index: https://aiatlasgraph.com/llms.txt · everything: https://aiatlasgraph.com/llms-full.txt · updated 2026-11-06