当前多模态大模型正进入落地深水区，视觉语言模型（VLMs）的能力评估却长期存在短板：主流通用基准大多仅能测试整体标题匹配准确率，无法对模型的稀疏组合视觉识别、底层因子还原等核心能力做精细化诊断，且垂直文化领域的高质量结构化数据集供给一直存在缺口。在此背景下，专注于进化AI架构与多模态模型研发的Sakana.ai正式推出KamonBench专项数据集，相关成果于2026年5月13日首发于预印本平台arXiv，面向全球AI研发与文化数字化领域开放使用。
KamonBench是全球首个聚焦日本家纹文化的语法驱动图像到结构基准数据集，总样本规模达54116个，其中包含2万个基于规则可控生成的合成复合家纹图像，每个样本均配套家纹描述语言（KDL）结构化标注、日语语义解析、英语翻译以及非语言程序代码四类标注内容。数据集的原始素材来源于公开家纹图案集的结构化重封装，研发团队通过定义标准化的语法规则，系统性组合容器、修饰符和基础图案三类核心设计因子，实现了合成图像的可控生成，从源头避免了标注混乱、样本分布不均等常见数据集问题。
该数据集的核心定位是为视觉语言模型提供精细化能力评估的测试平台，不同于传统基准仅输出整体准确率的评估模式，KamonBench支持超越标题级准确率的直接因子度量、受控重组分割和线性可及性诊断等高级分析，可帮助研发人员精准定位模型在细粒度特征识别、组合逻辑推理等层面的缺陷，大幅提升多模态模型的迭代效率。
除AI模型评估场景外，KamonBench的落地价值还覆盖多个垂直领域：在文博数字化场景中，可基于该数据集训练家纹专项识别工具，对古籍、文物、古建筑上的家纹图案进行批量识别与溯源，助力日本传统家纹文化的数字化存档与保护；在文化创意场景中，数据集的结构化标注可支撑可控的家纹风格生成模型研发，为文创产品设计、数字内容创作提供素材底座；在细粒度图像识别研发场景中，该数据集也可作为小型专项训练集，提升垂类图像识别模型的分类精度。
作为垂直文化领域高质量标注数据集的典型代表，KamonBench的发布既填补了视觉语言模型细粒度评估的基准空白，也为传统文化资源的数据化转化、数据要素的跨场景价值释放提供了可参考的落地范式，对AI技术与文化领域的融合发展具有积极的探索意义。
Dataset card内容：
Files and versions内容：
_1769672084863.jpg)