**YANAMI：首个大规模多模态状态化交互数据集与基准**

_YANAMI: A Large-Scale Multimodal Dataset and Benchmark for Multiturn Stateful Interaction_

> 针对现有统一多模态模型缺乏对多轮状态化交互的评估，研究团队推出了 YANAMI，这是首个大规模多模态对话数据集与基准。YANAMI-400K 包含 40 万轮多轮对话及数百万张图像，涵盖图像融合、编辑、世界建模与视觉推理等场景，要求模型持续追踪并更新对话状态。实验表明，基于 YANAMI 微调的 BAGEL 模型在图像编辑、生成及状态化交互任务上分别提升了 10.3%、2.0% 和 13.23%，同时验证了当前统一多模态模型在维持和实现动态对话状态方面仍存在显著不足。

**来源信息**
- **来源**：HuggingFace Daily Papers（社区热门论文）
- **分类**：论文
- **发布时间**：2026-11-04 08:00（北京时间）
- **原文**：[打开原文](https://huggingface.co/papers/2611.05280)