YANAMI多轮多模态数据集发布：评测统一模型能否跨轮保持对话状态

一句话看懂：研究团队在 Hugging Face 发布 YANAMI，一个面向“多轮状态化交互”的大规模多模态对话数据集与评测基准，包含 40 万条对话、超过 200 万张图像和 260 万轮对话，用来考察统一多模态模型能否在多轮对话中理解、保持、更新并忠实画出不断变化的对话状态。

事件核心：发生了什么

根据论文摘要（发布时间为 2026 年 11 月 3 日），现有统一多模态模型（UMMs）虽已把视觉理解、生成与编辑整合进同一框架，但主流数据集和基准仍以单轮任务为主。即使是近期的多轮数据，许多轮次也能独立作答，无需跨轮追踪信息，对“状态化交互”的监督和评估有限。

YANAMI 由两部分组成：YANAMI-400K 是训练用数据集，含 40 万条多轮多模态对话、200 多万张图像、260 万轮对话，覆盖多图融合、图像编辑、世界建模和视觉推理四类场景；YANAMI-Bench 则含 400 条多轮对话，联合评估“对话状态理解”和“视觉实现”两个维度。摘要称，在 YANAMI-400K 上微调 BAGEL 后，图像编辑、图像生成和多模态状态化交互分别提升 10.3%、2.0% 和 13.23%，同时保持通用视觉理解能力。以上均为摘要信息，全文实验尚未核验。

为什么重要

多轮对话中的“记忆”和“状态一致性”，是多模态模型从演示走向实际应用的关键门槛。用户改一句需求、换一张参考图，模型能否不丢失此前的设定，直接决定图像编辑和内容生产类 AI 应用是否可用。YANAMI 把评估拆成“是否听懂状态”和“是否画对结果”两层，有助于暴露模型在理解与生成之间的落差，也为开源社区提供了一个可复用的训练与评测入口。

对用户/开发者/创作者的影响

对创作者而言，这类数据和方法若被后续模型吸收，多轮修图、系列图像生成时的“跑偏”问题可能减少。对开发者，YANAMI-400K 可作为多模态微调的数据来源，YANAMI-Bench 可作为上线前的回归测试集。但需注意，目前公开信息显示它只是论文与数据集，并非已上线的 API 或商业产品；训练算力成本和数据许可仍需自行评估。