Vision Banana评测基准数据集包含RefCOCOg和ReasonSeg，请问这两个数据集具体是什么？

本文共计691个文字，预计阅读时间需要3分钟。

Vision Banana的专用评测基准是：

RefCOCOg：聚焦指代表达定位，非生成式分割基准

RefCOCOg 是 RefCOCO 系列中更细粒度的子集，强调自然语言描述与图像中唯一目标的精准对应（例如“穿着红裙子站在树旁的女孩”）。其核心任务是定位（localization）——输出边界框或掩码，而非生成可视化图。它常用于评估视觉语言对齐能力，典型模型如 GroundingDINO、SAM+CLIP 融合方案。Vision Banana 的统一生成范式虽能间接覆盖该任务（如用 Prompt 指令“把 RefCOCOg 描述的目标涂成蓝色”），但论文未报告其在该数据集上的定量结果。

ReasonSeg：强调推理过程的像素级分割任务

ReasonSeg 是一个结构化推理导向的分割数据集，要求模型不仅输出掩码，还需生成可解释的中间推理链（如“因为物体有轮子且在路面上 → 判定为汽车 → 分割车身区域”）。它被 VisionReasoner 明确列为测试基准，并在实验中取得 22.1% 相对提升。Vision Banana 的设计哲学不同：它不显式建模推理步骤，而是将“理解”压缩进生成过程——通过 Prompt 引导生成带语义颜色映射的图，再解码为掩码。这种隐式推理未在 ReasonSeg 的链式评估协议下验证。

为什么 Vision Banana 不依赖这两类数据集？

• 任务接口不匹配：RefCOCOg 依赖文本-区域对齐，ReasonSeg 要求显式推理日志，而 Vision Banana 统一归约为“Prompt + 图像 → 可解码RGB图”，天然适配 Cityscapes 这类像素标注数据与深度图这类连续值可视化任务。
• 评估逻辑差异：Vision Banana 的验证重心是“生成即理解”的泛化性，例如同一模型在深度估计与语义分割上是否共享表征；RefCOCOg/ReasonSeg 更关注特定下游任务的精度上限。
• 数据格式兼容性：Cityscapes 提供 RGB 格式的语义标签图，可直接作为 Vision Banana 的监督信号；而 RefCOCOg 的文本描述需额外构造 Prompt 工程链，ReasonSeg 的推理链难以映射为图像生成目标。

简言之，RefCOCOg 和 ReasonSeg 是衡量“判别式多步推理”的标尺，Vision Banana 则用 Cityscapes、深度基准等验证“生成式单步对齐”的有效性——二者路径不同，目标一致：让模型真正“看懂”图像。