印度德里信息技术学院发布ENTRAP-VL专用数据集 为视觉-语言模型偏差评估与可信AI建设提供新工具

随着跨模态AI技术的快速落地，视觉-语言模型已经成为自动驾驶感知、智慧医疗影像分析、内容智能审核、工业缺陷检测等多个领域的核心技术底座，但此类模型在多源上下文干扰下的输出稳定性、可信度问题，正成为制约其规模化落地的核心痛点——当模型同时接收到存在冲突或无关的文本、视觉双维度信息时，往往会出现不符合逻辑的非理性输出，而此前全球AI研究领域缺乏专门针对“双上下文牵引”这一特定偏差问题的标准化评估数据集，导致相关优化工作缺乏统一的测试基准。
印度德里信息技术学院本次联合多所本土研究机构发布的ENTRAP-VL数据集，正是瞄准这一行业空白打造的专用评估工具。该数据集是专门用于评估视觉-语言模型中双上下文牵引现象的数据集，共包含1500个条目，分为文本牵引流和视觉牵引流两大序列，覆盖八个核心类别，所有条目均通过手动精心构建以匹配其分类学结构，创建过程基于项目关联性和真实性关系的双重轴分类逻辑，核心目标是精准探究模型在文本和视觉两种独立上下文共同影响下的行为偏差规律。
从功能定位来看，ENTRAP-VL主要面向AI模型行为分析领域，旨在解决视觉-语言模型在辅助上下文干扰下的非理性输出问题，为可信人工智能研究、跨模态模型决策逻辑解码提供标准化的结构化评估工具。从产业应用场景来看，该数据集可支撑多类跨模态落地场景的模型可靠性测试：在自动驾驶场景中，可用于测试车载多模态感知系统是否会被路边无关广告文字、异常视觉标识等干扰做出错误行驶决策；在智慧医疗场景中，可评估AI阅片系统是否会被病例上的非核心标注信息误导生成错误诊断结论；在内容审核场景中，可测试多模态审核模型是否会被文图冲突、无关上下文等特殊内容干扰出现误判漏判，为相关产业的AI合规建设提供支撑。
当前全球可信AI体系建设正处于快速推进阶段，专用评估类数据集是支撑AI模型合规测试、标准化认证的核心数据要素资源，ENTRAP-VL的发布填补了视觉-语言模型双上下文牵引评估领域的工具空白，将为跨模态AI的偏差治理、可信落地提供重要的底层支撑。

查看ENTRAP-VL

Dataset card内容：

Files and versions内容：