现代视觉语言模型在图像理解与文档转录方面进展迅速，但一项新的研究指出，它们在一个基础的无障碍任务上表现欠佳：从图像中读取盲文。为此，研究者提出了 BrailleBench——一个由人工整理的基准数据集，包含 259 张来自真实场景的一级（Grade-1）和二级（Grade-2）盲文图像，用以系统衡量多模态系统的盲文识别能力。
该论文的第一作者为 Kartik Jangra，共有五位作者参与。论文于 2026 年 10 月 26 日提交至 arXiv，编号为 arXiv:2610.36195v1，属于计算机视觉与模式识别（cs.CV）类别，同时交叉涵盖计算与语言（cs.CL）。论文共 22 页，含 8 幅图和 16 张表，作者还公开了代码与数据。
研究团队评估了多类系统，包括闭源商用模型、开放权重模型、专门针对 OCR 优化的模型，以及借助外部工具辅助的多模态系统。结果显示，独立运行的通用模型在直接转录盲文图像时表现很差；相比之下，工具辅助的系统表现明显更好。这一对比说明，当前多模态模型在盲文识别这一细分任务上存在明显的 Accessibility 相关能力缺口。
为了弥补这一缺口，研究者设计了一套合成盲文生成流程，能够生成布局多样、并带有多种图像扰动的合成盲文图像。基于这些合成数据训练的一个 2B 参数视觉语言模型，在 BrailleBench 上取得了一级盲文 87% 的完全匹配率（exact match），二级盲文达到 61%。该模型不仅优于独立运行的通用视觉语言模型，而且在所评估的所有系统中取得了最高的二级盲文完全匹配分数。
不过，论文也给出了一个重要的警示：合成验证集上的高准确率并不保证在真实照片上的高准确率。实验中，使用此前合成数据训练的模型在自己合成的验证集上最高可达 96%，但在 BrailleBench 的一级盲文真实图像上最高仅为 3.26%。这一巨大落差表明，合成数据的分布与真实拍摄条件之间存在显著差异，单纯依赖合成数据评估会严重高估模型的实际能力。
总体而言，这项研究识别出多模态系统在无障碍领域的一个重要能力缺口，同时也证明，有针对性的合成监督数据能够切实提升真实场景下的盲文转录表现。BrailleBench 为该任务提供了可复现的评测基准，而合成生成流程与 2B 模型的结果则展示了在数据规模有限的情况下改善盲文识别的可行路径。论文同时提醒后续研究者，应重视真实图像上的验证，而非仅依赖合成验证集指标。