現在人間がインターネットからさまざまな知識（言語・視覚などを融合した）を認識している。将来的にAI手法も人間と類似したようにインタネット上のマルチモーダル知識を融合し認識できるようなデータセットを提案し、既存手法のベンチマークを行った。提案データセットウェブQAは人間のウェブを利用するプロセスを真似し、長い質問、複数の画像と言語を融合した情報ソース、自然的なセンテンスにより回答から構築されている。