Learning or Cheating? Assessing Data Contamination in Large Vision-Language Models
Notice bibliographique
Résumé
Large Vision-Language Models (VLMs) have demonstrated remarkable capabilities in tasks that involve both visual and textual understanding, including chart interpretation, document comprehension, and geometric reasoning. However, concerns remain about whether these models truly generalize or if their performance on popular benchmarks is influenced by overfitting and data contamination. To investigate these concerns, we propose a systematic evaluation framework for assessing data contamination of both closed-source and open-source VLMs using multiple visual question answering benchmarks, including ChartQA, DocVQA, InfoVQA, and MathVista. Our approach applies structured perturbations such as image replacement and question completion to four visual question answering benchmarks (ChartQA, DocVQA, InfoVQA, MathVista). By comparing original and perturbed accuracies, we compute a contamination score that measures how much each model relies on memorized examples versus genuine multimodal reasoning. Our results reveal significant performance shifts and conclude that both closed-source and open-source VLMs suffer from data contamination. These findings underscore the necessity of rigorous data filtering and independent evaluations to ensure robust generalization before deploying VLMs in real-world applications.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,005 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,002 | 0,008 |
| Science ouverte | 0,003 | 0,006 |
| Intégrité de la recherche | 0,000 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».