現代視覺語言模型在影像理解與文件轉錄方面進展迅速，但一項新的研究指出，它們在一個基礎的無障礙任務上表現欠佳：從影像中讀取盲文。為此，研究者提出了 BrailleBench——一個由人工整理的基準資料集，包含 259 張來自真實場景的一級（Grade-1）和二級（Grade-2）盲文影像，用以系統衡量多模態系統的盲文識別能力。
該論文的第一作者為 Kartik Jangra，共有五位作者參與。論文於 2026 年 10 月 26 日提交至 arXiv，編號為 arXiv:2610.36195v1，屬於計算機視覺與模式識別（cs.CV）類別，同時交叉涵蓋計算與語言（cs.CL）。論文共 22 頁，含 8 幅圖和 16 張表，作者還公開了程式碼與資料。
研究團隊評估了多類系統，包括閉源商用模型、開放權重模型、專門針對 OCR 最佳化的模型，以及藉助外部工具輔助的多模態系統。結果顯示，獨立執行的通用模型在直接轉錄盲文影像時表現很差；相比之下，工具輔助的系統表現明顯更好。這一對比說明，當前多模態模型在盲文識別這一細分任務上存在明顯的 Accessibility 相關能力缺口。
為了彌補這一缺口，研究者設計了一套合成盲文生成流程，能夠生成佈局多樣、並帶有多種影像擾動的合成盲文影像。基於這些合成資料訓練的一個 2B 引數視覺語言模型，在 BrailleBench 上取得了一級盲文 87% 的完全匹配率（exact match），二級盲文達到 61%。該模型不僅優於獨立執行的通用視覺語言模型，而且在所評估的所有系統中取得了最高的二級盲文完全匹配分數。
不過，論文也給出了一個重要的警示：合成驗證集上的高準確率並不保證在真實照片上的高準確率。實驗中，使用此前合成資料訓練的模型在自己合成的驗證集上最高可達 96%，但在 BrailleBench 的一級盲文真實影像上最高僅為 3.26%。這一巨大落差表明，合成資料的分佈與真實拍攝條件之間存在顯著差異，單純依賴合成資料評估會嚴重高估模型的實際能力。
總體而言，這項研究識別出多模態系統在無障礙領域的一個重要能力缺口，同時也證明，有針對性的合成監督資料能夠切實提升真實場景下的盲文轉錄表現。BrailleBench 為該任務提供了可復現的評測基準，而合成生成流程與 2B 模型的結果則展示了在資料規模有限的情況下改善盲文識別的可行路徑。論文同時提醒後續研究者，應重視真實影像上的驗證，而非僅依賴合成驗證集指標。