用文化知识为多语言多模态LLM奠定基础
Grounding Multilingual Multimodal LLMs With Cultural Knowledge
AI总结：
本文提出以数据为中心的方法，利用Wikidata知识图谱构建了覆盖42国39种语言的2200万文化VQA对数据集CulturalGround，并训练开源模型CulturalPangea，在保持通用能力的同时显著提升了多模态LLM的文化理解能力。
摘要：
多模态大语言模型在高资源环境下表现优异，但经常误解长尾文化实体，并在低资源语言中表现不佳。为了解决这一差距，我们提出了一种以数据为中心的方法，直接将MLLMs奠定在文化知识的基础上。利用来自Wikidata的大规模知识图谱，我们收集了代表具有文化重要性实体的图像，并生成了合成的多语言视觉问答数据。由此产生的数据集CulturalGround包含2200万个高质量、文化丰富的VQA对，覆盖42个国家和39种语言。我们在CulturalGround上训练了一个开源MLLM CulturalPangea，并交替使用标准多语言指令微调数据以保留其通用能力。CulturalPangea在多个以文化为重点的多语言多模态基准上实现了开源模型中的最先进性能，平均超越先前模型5.0，且未在主流视觉语言任务上降低结果。我们的发现表明，我们这种有针对性的、以文化为基础的方法可以大幅缩小MLLMs中的文化差距，并为构建全球包容的多模态系统提供了一条切实可行的路径。
英文摘要：
Multimodal Large Language Models excel in high-resource settings, but often misinterpret long-tail cultural entities and underperform in low-resource languages. To address this gap, we propose a data-centric approach that directly grounds MLLMs in cultural knowledge. Leveraging a large scale knowledge graph from Wikidata, we collect images that represent culturally significant entities, and generate synthetic multilingual visual question answering data. The resulting dataset, CulturalGround, comprises 22 million high-quality, culturally-rich VQA pairs spanning 42 countries and 39 languages. We train an open-source MLLM CulturalPangea on CulturalGround, interleaving standard multilingual instruction-tuning data to preserve general abilities. CulturalPangea achieves state-of-the-art performance among open models on various culture-focused multilingual multimodal benchmarks, outperforming prior models by an average of 5.0 without degrading results on mainstream vision-language tasks. Our findings show that our targeted, culturally grounded approach could substantially narrow the cultural gap in MLLMs and offer a practical path towards globally inclusive multimodal systems.
机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。
