一般的なVQAと異なり、１．回答の根拠となるテキストのbounding box予測タスクが追加される２．英語と中国語の2言語タスクという特徴がある。これらの特徴により、VQAタスクとして実用的であるだけでなく、データセットのバイアスを低減しVQAモデルの汎化性をより正しく評価・比較できるようにした。このタスクに合わせた評価指標(EvE)も新たに提案した。

一般のVQAモデルよりも、根拠となるテキストの位置を予測する提案モデルの方が優位な結果となった。