SKKU多模态AI挑战赛2026：构建公平可靠的图像文本视觉问答模型

2026年成均馆大学多模态AI挑战赛聚焦图像文本视觉问答（VQA）任务，目标是构建公平可靠的模型。本解决方案采用Qwen3-VL MoE模型和多智能体辩论架构，核心解决数据偏见和答案弃权校准问题，通过文本优先原则规避图像诱导偏见，实现校准的弃权决策，为公平多模态AI系统设计提供参考。

2026年成均馆大学多模态AI挑战赛旨在开发公平可靠的图像-文本问答模型，超越0.98-1.0的平衡准确率基准。核心挑战是处理多模态数据中的偏见，数据集包含图像、文本上下文、问题及含未知选项的三个答案，评估指标为模糊样本与明确样本准确率的平均值（平衡准确率）。

• 样本区分：模糊样本需选未知选项（因上下文无依据），明确样本需选特定答案，样本类型隐藏导致校准弃权困难；
• 图像偏见：图像是诱导偏见的诱饵，真实信号在文本中；
• BBQ数据集价值：提供标签和模式结构，支持离线平衡准确率测量与模型调优。

• 模型选择：采用Qwen3-VL MoE模型（310亿总参，激活30亿），具备速度快（0.5秒/样本）、多智能体支持、显存友好（48GB可运行）等优势；
• 多智能体辩论：单模型切换角色（分析员、支持者、怀疑者、裁判），节省显存；
• 辅助工具：未知选项检测器100%识别未知选项位置，支持信息提供与离线指标计算。

• 指标监控：通过过度承诺率（模糊样本选特定答案）和过度弃权率（明确样本选未知）优化策略；
• 文本优先原则：先分析文本上下文是否明确，明确则选特定答案，否则选未知，忽略图像偏见。

• 环境使用：本地Mac支持数据检查与代码编辑，Colab/A6000可执行推理（提供安装与运行命令）；
• 开发计划：已完成推理流水线，待优化提示词、实现LangGraph辩论版本、LoRA微调。

• 偏见规避：识别图像偏见诱饵，建立文本优先框架；
• 弃权机制：可应用于需可靠性与不确定性量化的AI场景；
• 多智能体架构：单模型角色切换降低显存需求，适用于资源受限环境。

本解决方案展示了应对多模态AI偏见的系统性方法：通过数据分析识别偏见来源，建立校准决策机制，采用资源高效架构。其文本优先原则和校准弃权机制为开发公平多模态AI系统提供可复用的方法论框架。