本文第一作者杨昱威，来自澳大利亚国立大学，合作者包括章泽宇（澳大利亚国立大学）、侯云钟（澳大利亚国立大学）、李卓婉（约翰霍普金斯大学）、 Gaowen Liu（思科）、Ali Payani（思科）、丁源森（俄亥俄州立大学）以及郑良（澳大利亚国立大学）。 背景与动机 在科研、新闻报道、数据分析等领域，图表是信息传递的核心载体。要让多模态大语言模型（MLLMs）真正服务于科学研究，必须具备以下两个能力： 1. 精准识别与理解图表元素（如坐标轴、图例、数据点、标题等）； 2. 对图表数据进行深度推理（如计算差值、比较趋势、跨子图推理等）； 然而，即便是最先进的开源多模态大语言模型（MLLMs），在高难度科学图表理解基准测试上准确率依旧徘徊在 30%–50%。尽管合成数据集易于生成，但它们通 常存在以下问题： 风格单一：缺乏视觉和内容多样性； 缺乏真实性：与真实图表的分布差异较大； 数据模式受限：生成的图表数据过于简单，无法模拟复杂场景； 数据集亮点 论文标题：Effective Training Data Synthesis for Improving MLLM Chart Understanding 论文地址：h ...