Many Dialects, Many Languages, One Cultural Lens: Evaluating Multilingual VLMs for Bengali Culture Understanding Across Historically Linked Languages and Regional Dialects

Bangla culture is richly expressed through region, dialect, history, food, politics, media, and everyday visual life, yet it remains underrepresented in multimodal evaluation. To address this gap, we introduce BanglaVerse, a culturally grounded benchmark for evaluating multilingual vision–language models (VLMs) on Bengali culture across historically linked languages and regional dialects. Built from 1,152 manually curated images across nine domains, the benchmark supports visual question answering and captioning, and is expanded into four languages and five Bangla dialects, yielding ∼32.3K artifacts. Our experiments show that evaluating only standard Bangla overestimates true model capability: performance drops under dialectal variation, especially for caption generation, while historically linked languages such as Hindi and Urdu retain some cultural meaning but remain weaker for structured reasoning. Across domains, the main bottleneck is missing cultural knowledge rather than visual grounding alone, with knowledge-intensive categories. These findings position BanglaVerse as a more realistic test bed for measuring culturally grounded multimodal understanding under linguistic variation.

Fig: Overview of the BanglaVerse dataset and experimental setup. The figure shows the two task types, example annotations for each task, artifacts generation and evaluation pipeline with multiple metrics.

Category	Type	Count	Category	Type	Count	Category	Type	Count
Cult.	Img.	114	M&M	Img.	150	Pers.	Img.	150
	Cap.	1,026		Cap.	1,350		Cap.	1,350
	VQA	2,052		VQA	2,592		VQA	2,700
	Total	3,192		Total	4,092		Total	4,200
Food	Img.	150	Nat. Achv.	Img.	75	Pol.	Img.	150
	Cap.	1,350		Cap.	675		Cap.	1,350
	VQA	2,709		VQA	1,332		VQA	2,754
	Total	4,209		Total	2,082		Total	4,254
Hist.	Img.	150	Nature	Img.	150	Sports	Img.	63
	Cap.	1,350		Cap.	1,350		Cap.	576
	VQA	2,772		VQA	2,691		VQA	1,125
	Total	4,272		Total	4,191		Total	1,764
Total Images								1,152
Total Captions Across 9 Varieties								10,377
Total VQA Across 9 Varieties								20,727
Grand Total Artifacts								32,256

Table: Overall corpus statistics of the benchmark across 4 languages and 5 Bangla dialects. Abbreviations: Cult. = Culture, Hist. = History, M&M = Media & Movies, Nat. Achv. = National Achievements, Pers. = Personalities, Pol. = Politics, Img. = Images, Cap. = Captions, and VQA = Visual Question Answering.

Dialect/Language	Caption	VQA
English	The farmer in the picture is plowing the land with an ox-drawn plow, a tradition of rural agriculture.	Question: What work is being done using the cow in the picture? Options: A) Paddy threshing B) Land cultivation C) Grain reserve D) Cattle feed preparation Answer: Land cultivation
Bangla	ছবিতে কৃষক গরুর হাল দিয়ে জমি চাষ করছেন, যা গ্রামীণ কৃষির ঐতিহ্য।	Question: ছবিতে গরু ব্যবহার করে কী কাজ করা হচ্ছে? Options: A) ধান মাড়াই B) জমি চাষ C) শস্য মজুদ D) গো-খাদ্য প্রস্তুত Answer: জমি চাষ
Hindi	चित्र में किसान बैल हल से ज़मीन जोत रहे हैं, जो ग्रामीण कृषि की परंपरा है।	Question: चित्र में बैल का उपयोग करके कौन सा कार्य किया जा रहा है? Options: A) धान की मड़ाई B) खेत जोतना C) अनाज भंडारण D) गो-आहार तैयार करना Answer: खेत जोतना
Urdu	تصویر میں کسان بیلوں سے ہل چلا کر زمین تیار کر رہا ہے، جو دیہی زراعت کا ایک روایتی طریقہ ہے۔	Question: تصویر میں گائے کا کیا استعمال ہو رہا ہے؟ Options: A) دھان کی گہائی B) کاشتِ زمین C) غلہ کا ذخیرہ D) گھاس کی تیاری Answer: کاشتِ زمین
Barishal	ছবিডায় এউক্কা কিষান গরুর হাল দিয়া ভুঁই চষতে আছে, যেইডা গেরামের কৃষির পুরান নিয়ম।	Question: ছবিডায় গরু দিয়া কী কাম করা অইতেছে? Options: A) ধান মাড়াই B) ভুঁই চষা C) শস্য থোওয়া D) গরুর খাওন বানানো Answer: B) ভুঁই চষা
Chittagong	ছবিত এক্কুয়া কিষান গরুর হাল দিয়েনে জইম চষের, যিয়ান গাঁয়র কৃষির পুরানা নিয়ম।	Question: ছবিত গরু দিয়েনে কী কাম গরের? Options: A) ধান মাড়াই B) জইম চষা C) শস্য তহন D) গরুর হানা বানান Answer: B) জইম চষা
Noakhali	ছবিডাত একজন কিষান গরুর হাল দি জমি চাষ করের, হেইডা গেরামের কৃষির পুরানা নিয়ম।	Question: ছবিডাত গরু দি কী কাম করা হন্নের? Options: A) ধান মাড়াই B) জমি চাষ C) শস্য রাহন D) গরুর খানা বানান Answer: B) জমি চাষ
Rangpur	ছবিত একনা কিষান গরুর হাল দিয়া জমিত হাল বাওবার নাগছে, যেইটা গাওয়ের কৃষির পুরানা নিয়ম।	Question: ছবিত গরু দিয়া কী কাম করা হাইবার নাগছে? Options: A) ধান মাড়াই B) জমিত হাল বাওয়া C) শস্য থোওয়া D) গরুর খাবার বানান Answer: B) জমিত হাল বাওয়া
Sylhet	ছবিত একজন কিষান গরুর হাল দিয়া খেত চাষ কররা, যেতা গাওর কৃষির পুরানা নিয়ম।	Question: ছবিত গরু দিয়া কিতা কাম করা অর? Options: A) ধান মাড়াই B) খেত চাষ C) শস্য তওয়া D) গরুর খানি বানান Answer: B) খেত চাষ

Models	Domain	Zero-Shot			Few-Shot			CoT VQA
		Caption		VQA	Caption		VQA
		B-F1	LLM	Accuracy (%)	B-F1	LLM	Accuracy (%)
`Gemma3-4B`	Cult.	0.69	0.53	0.63	0.69	0.52	0.59	0.52
	Food	0.70	0.52	0.74	0.70	0.53	0.63	0.78
	Hist.	0.69	0.54	0.47	0.68	0.47	0.37	0.44
	M&M	0.66	0.50	0.30	0.84	0.52	0.32	0.38
	Nat. Achv.	0.70	0.56	0.31	0.67	0.50	0.29	0.36
	Nature	0.70	0.58	0.66	0.69	0.54	0.74	0.59
	Pers.	0.65	0.45	0.61	0.69	0.49	0.62	0.49
	Pol.	0.67	0.50	0.39	0.69	0.48	0.40	0.39
	Sports	0.68	0.52	0.44	0.68	0.51	0.26	0.48
`Gemma3-12B`	Cult.	0.70	0.55	0.68	0.69	0.52	0.70	0.72
	Food	0.71	0.53	0.83	0.71	0.52	0.82	0.89
	Hist.	0.69	0.54	0.62	0.68	0.48	0.63	0.75
	M&M	0.66	0.51	0.40	0.78	0.52	0.32	0.33
	Nat. Achv.	0.69	0.56	0.49	0.66	0.49	0.50	0.59
	Nature	0.70	0.58	0.63	0.69	0.56	0.59	0.66
	Pers.	0.64	0.49	0.67	0.68	0.48	0.70	0.74
	Pol.	0.66	0.51	0.55	0.68	0.48	0.56	0.61
	Sports	0.68	0.57	0.53	0.67	0.48	0.47	0.46
`Gemma3-27B`	Cult.	0.67	0.44	0.72	0.70	0.53	0.73	0.73
	Food	0.71	0.58	0.87	0.72	0.55	0.89	0.89
	Hist.	0.70	0.56	0.69	0.69	0.51	0.69	0.74
	M&M	0.67	0.47	0.36	0.82	0.53	0.32	0.42
	Nat. Achv.	0.71	0.61	0.51	0.67	0.50	0.51	0.78
	Nature	0.70	0.57	0.66	0.70	0.59	0.72	0.78
	Pers.	0.65	0.51	0.78	0.70	0.52	0.83	0.76
	Pol.	0.67	0.52	0.56	0.69	0.49	0.50	0.62
	Sports	0.70	0.58	0.69	0.70	0.52	0.60	0.74
`Qwen2.5-VL-7B`	Cult.	0.69	0.46	0.55	0.66	0.48	0.47	0.59
	Food	0.70	0.42	0.68	0.64	0.55	0.54	0.68
	Hist.	0.70	0.51	0.60	0.67	0.57	0.52	0.52
	M&M	0.70	0.44	0.22	0.76	0.50	0.27	0.17
	Nat. Achv.	0.69	0.46	0.69	0.69	0.51	0.71	0.54
	Nature	0.70	0.49	0.42	0.55	0.38	0.64	0.39
	Pers.	0.65	0.44	0.47	0.69	0.48	0.46	0.56
	Pol.	0.66	0.46	0.39	0.69	0.48	0.32	0.41
	Sports	0.68	0.47	0.48	0.72	0.52	0.48	0.40
`Qwen3-VL-8B`	Cult.	0.67	0.44	0.68	0.67	0.42	0.68	0.62
	Food	0.68	0.42	0.70	0.69	0.47	0.66	0.66
	Hist.	0.67	0.44	0.69	0.67	0.39	0.69	0.78
	M&M	0.67	0.36	0.40	0.67	0.37	0.28	0.38
	Nat. Achv.	0.66	0.40	0.78	0.65	0.37	0.63	0.70
	Nature	0.68	0.43	0.46	0.64	0.54	0.47	0.52
	Pers.	0.63	0.41	0.51	0.65	0.45	0.52	0.57
	Pol.	0.64	0.40	0.45	0.68	0.43	0.48	0.45
	Sports	0.66	0.41	0.49	0.64	0.34	0.60	0.45
`GPT-4.1-mini`	Cult.	0.71	0.57	0.65	0.71	0.57	0.56	0.77
	Food	0.72	0.56	0.88	0.73	0.54	0.81	0.94
	Hist.	0.71	0.58	0.66	0.72	0.57	0.60	0.72
	M&M	0.70	0.54	0.49	0.89	0.61	0.42	0.46
	Nat. Achv.	0.71	0.62	0.58	0.71	0.60	0.57	0.78
	Nature	0.71	0.60	0.57	0.72	0.61	0.56	0.65
	Pers.	0.66	0.51	0.65	0.71	0.53	0.60	0.75
	Pol.	0.66	0.50	0.50	0.69	0.52	0.50	0.61
	Sports	0.69	0.58	0.53	0.71	0.55	0.48	0.69

Full results by model and domain for Bangla Language.

English Language Results

Models	Domain	Zero-Shot			Few-Shot			CoT VQA
		Caption		VQA	Caption		VQA
		B-F1	LLM	Accuracy (%)	B-F1	LLM	Accuracy (%)
`Gemma3-4B`	Cult.	0.87	0.65	0.72	0.86	0.56	0.58	0.50
	Food	0.85	0.61	0.75	0.86	0.54	0.70	0.68
	Hist.	0.86	0.61	0.43	0.84	0.44	0.40	0.44
	M&M	0.85	0.55	0.26	0.92	0.55	0.34	0.42
	Nat. Achv.	0.87	0.63	0.41	0.87	0.54	0.34	0.33
	Nature	0.86	0.66	0.55	0.86	0.59	0.55	0.39
	Pers.	0.83	0.55	0.57	0.84	0.51	0.52	0.56
	Pol.	0.84	0.56	0.41	0.83	0.49	0.43	0.44
	Sports	0.86	0.60	0.54	0.84	0.43	0.42	0.55
`Gemma3-12B`	Cult.	0.87	0.62	0.69	0.86	0.55	0.72	0.71
	Food	0.85	0.59	0.73	0.86	0.54	0.77	0.73
	Hist.	0.85	0.60	0.62	0.85	0.51	0.60	0.74
	M&M	0.85	0.53	0.44	0.90	0.59	0.30	0.40
	Nat. Achv.	0.87	0.63	0.57	0.86	0.48	0.50	0.60
	Nature	0.86	0.64	0.53	0.85	0.56	0.58	0.64
	Pers.	0.83	0.53	0.62	0.85	0.50	0.71	0.65
	Pol.	0.83	0.54	0.52	0.85	0.50	0.52	0.63
	Sports	0.85	0.58	0.61	0.85	0.50	0.56	0.62
`Gemma3-27B`	Cult.	0.87	0.66	0.77	0.86	0.57	0.75	0.80
	Food	0.85	0.62	0.88	0.86	0.54	0.84	0.82
	Hist.	0.85	0.65	0.62	0.87	0.57	0.62	0.73
	M&M	0.86	0.53	0.41	0.92	0.54	0.36	0.45
	Nat. Achv.	0.87	0.62	0.65	0.86	0.55	0.50	0.86
	Nature	0.86	0.67	0.60	0.85	0.55	0.61	0.68
	Pers.	0.83	0.55	0.81	0.85	0.50	0.79	0.77
	Pol.	0.83	0.55	0.51	0.84	0.51	0.47	0.49
	Sports	0.87	0.66	0.70	0.85	0.50	0.70	0.61
`Qwen2.5-VL-7B`	Cult.	0.87	0.69	0.62	0.84	0.59	0.65	0.58
	Food	0.85	0.60	0.77	0.81	0.62	0.72	0.75
	Hist.	0.86	0.58	0.62	0.83	0.52	0.54	0.60
	M&M	0.86	0.53	0.32	0.90	0.54	0.30	0.37
	Nat. Achv.	0.88	0.64	0.60	0.87	0.62	0.51	0.61
	Nature	0.87	0.68	0.49	0.77	0.56	0.40	0.48
	Pers.	0.83	0.54	0.51	0.84	0.51	0.52	0.60
	Pol.	0.83	0.55	0.49	0.84	0.54	0.42	0.56
	Sports	0.85	0.56	0.59	0.86	0.60	0.49	0.59
`Qwen3-VL-8B`	Cult.	0.87	0.63	0.71	0.86	0.50	0.66	0.64
	Food	0.85	0.62	0.78	0.83	0.58	0.73	0.71
	Hist.	0.83	0.62	0.64	0.86	0.49	0.61	0.63
	M&M	0.87	0.56	0.37	0.91	0.48	0.31	0.45
	Nat. Achv.	0.87	0.73	0.65	0.88	0.60	0.56	0.69
	Nature	0.85	0.61	0.46	0.81	0.43	0.38	0.47
	Pers.	0.83	0.54	0.64	0.85	0.49	0.64	0.63
	Pol.	0.82	0.52	0.45	0.85	0.48	0.45	0.42
	Sports	0.85	0.59	0.60	0.86	0.58	0.55	0.65
`GPT-4.1-mini`	Cult.	0.87	0.64	0.72	0.87	0.66	0.68	0.76
	Food	0.86	0.64	0.87	0.87	0.67	0.78	0.92
	Hist.	0.84	0.61	0.64	0.87	0.54	0.66	0.70
	M&M	0.85	0.43	0.51	0.95	0.66	0.36	0.51
	Nat. Achv.	0.88	0.66	0.68	0.88	0.69	0.55	0.77
	Nature	0.86	0.66	0.65	0.86	0.63	0.58	0.70
	Pers.	0.83	0.53	0.83	0.86	0.58	0.76	0.82
	Pol.	0.83	0.54	0.40	0.85	0.50	0.43	0.58
	Sports	0.86	0.55	0.56	0.87	0.61	0.46	0.75

Full results by model and domain for English Language.

Hindi Language Results

Models	Domain	Zero-Shot			Few-Shot			CoT VQA
		Caption		VQA	Caption		VQA
		B-F1	LLM	Accuracy (%)	B-F1	LLM	Accuracy (%)
`Gemma3-4B`	Cult.	0.71	0.57	0.72	0.69	0.52	0.53	0.58
	Food	0.71	0.53	0.70	0.71	0.52	0.57	0.65
	Hist.	0.70	0.55	0.52	0.69	0.47	0.32	0.52
	M&M	0.67	0.49	0.26	0.84	0.52	0.25	0.32
	Nat. Achv.	0.70	0.56	0.29	0.69	0.53	0.30	0.38
	Nature	0.70	0.58	0.66	0.71	0.56	0.61	0.34
	Pers.	0.65	0.48	0.57	0.68	0.47	0.45	0.45
	Pol.	0.67	0.50	0.36	0.69	0.45	0.41	0.40
	Sports	0.68	0.54	0.47	0.69	0.46	0.37	0.44
`Gemma3-12B`	Cult.	0.71	0.57	0.61	0.70	0.51	0.62	0.68
	Food	0.70	0.53	0.73	0.71	0.52	0.67	0.77
	Hist.	0.70	0.54	0.62	0.69	0.48	0.59	0.71
	M&M	0.70	0.53	0.40	0.81	0.51	0.34	0.35
	Nat. Achv.	0.71	0.58	0.52	0.69	0.50	0.37	0.68
	Nature	0.70	0.57	0.46	0.71	0.56	0.57	0.56
	Pers.	0.65	0.49	0.54	0.69	0.50	0.57	0.62
	Pol.	0.67	0.51	0.43	0.69	0.45	0.49	0.47
	Sports	0.68	0.54	0.47	0.69	0.49	0.45	0.52
`Gemma3-27B`	Cult.	0.72	0.58	0.71	0.71	0.53	0.73	0.73
	Food	0.71	0.56	0.84	0.71	0.54	0.81	0.87
	Hist.	0.70	0.54	0.67	0.70	0.50	0.63	0.72
	M&M	0.69	0.52	0.38	0.86	0.53	0.33	0.42
	Nat. Achv.	0.73	0.61	0.54	0.70	0.53	0.55	0.82
	Nature	0.71	0.59	0.61	0.70	0.57	0.57	0.62
	Pers.	0.66	0.50	0.66	0.70	0.50	0.68	0.68
	Pol.	0.68	0.52	0.49	0.69	0.49	0.49	0.45
	Sports	0.71	0.58	0.56	0.69	0.51	0.53	0.53
`Qwen2.5-VL-7B`	Cult.	0.70	0.47	0.57	0.64	0.43	0.56	0.60
	Food	0.71	0.41	0.64	0.65	0.36	0.67	0.63
	Hist.	0.70	0.50	0.58	0.68	0.38	0.48	0.55
	M&M	0.70	0.39	0.29	0.80	0.43	0.22	0.36
	Nat. Achv.	0.70	0.48	0.75	0.69	0.47	0.58	0.47
	Nature	0.71	0.49	0.41	0.65	0.48	0.50	0.45
	Pers.	0.65	0.43	0.33	0.69	0.48	0.43	0.45
	Pol.	0.67	0.46	0.40	0.69	0.47	0.34	0.41
	Sports	0.69	0.48	0.48	0.72	0.54	0.42	0.46
`Qwen3-VL-8B`	Cult.	0.71	0.58	0.60	0.68	0.40	0.52	0.64
	Food	0.71	0.53	0.72	0.67	0.34	0.65	0.75
	Hist.	0.71	0.50	0.66	0.68	0.43	0.71	0.70
	M&M	0.67	0.49	0.37	0.78	0.41	0.29	0.37
	Nat. Achv.	0.71	0.61	0.66	0.69	0.47	0.70	0.76
	Nature	0.70	0.60	0.36	0.60	0.38	0.40	0.47
	Pers.	0.65	0.49	0.48	0.69	0.50	0.48	0.49
	Pol.	0.66	0.51	0.43	0.69	0.47	0.45	0.43
	Sports	0.69	0.55	0.53	0.72	0.50	0.50	0.47
`GPT-4.1-mini`	Cult.	0.72	0.59	0.64	0.72	0.61	0.61	0.71
	Food	0.72	0.57	0.85	0.73	0.59	0.70	0.83
	Hist.	0.71	0.55	0.70	0.72	0.55	0.59	0.68
	M&M	0.69	0.52	0.38	0.87	0.58	0.37	0.42
	Nat. Achv.	0.72	0.61	0.59	0.72	0.56	0.64	0.73
	Nature	0.71	0.62	0.49	0.71	0.59	0.38	0.53
	Pers.	0.65	0.50	0.60	0.71	0.53	0.50	0.72
	Pol.	0.68	0.53	0.46	0.69	0.52	0.53	0.49
	Sports	0.69	0.56	0.44	0.74	0.54	0.44	0.53

Full results by model and domain for Hindi Language.

Urdu Language Results

Models	Domain	Zero-Shot			Few-Shot			CoT VQA
		Caption		VQA	Caption		VQA
		B-F1	LLM	Accuracy (%)	B-F1	LLM	Accuracy (%)
`Gemma3-4B`	Cult.	0.70	0.48	0.57	0.69	0.48	0.34	0.48
	Food	0.70	0.46	0.63	0.70	0.47	0.52	0.56
	Hist.	0.69	0.49	0.51	0.70	0.44	0.37	0.45
	M&M	0.69	0.45	0.19	0.85	0.52	0.24	0.28
	Nat. Achv.	0.69	0.49	0.31	0.69	0.46	0.26	0.38
	Nature	0.70	0.49	0.67	0.69	0.51	0.57	0.41
	Pers.	0.65	0.45	0.52	0.68	0.48	0.43	0.47
	Pol.	0.67	0.47	0.37	0.70	0.47	0.37	0.41
	Sports	0.68	0.47	0.39	0.70	0.48	0.34	0.52
`Gemma3-12B`	Cult.	0.71	0.54	0.56	0.69	0.50	0.64	0.60
	Food	0.69	0.51	0.67	0.70	0.51	0.65	0.68
	Hist.	0.70	0.53	0.59	0.70	0.48	0.59	0.63
	M&M	0.72	0.52	0.26	0.83	0.53	0.28	0.32
	Nat. Achv.	0.70	0.55	0.55	0.70	0.50	0.43	0.64
	Nature	0.70	0.56	0.36	0.70	0.56	0.47	0.46
	Pers.	0.66	0.49	0.47	0.69	0.50	0.61	0.55
	Pol.	0.68	0.53	0.41	0.70	0.47	0.50	0.50
	Sports	0.68	0.54	0.42	0.70	0.50	0.52	0.50
`Gemma3-27B`	Cult.	0.71	0.58	0.61	0.70	0.52	0.68	0.68
	Food	0.71	0.56	0.72	0.71	0.53	0.77	0.78
	Hist.	0.71	0.58	0.65	0.70	0.49	0.64	0.70
	M&M	0.73	0.51	0.32	0.87	0.52	0.32	0.35
	Nat. Achv.	0.71	0.61	0.58	0.70	0.54	0.57	0.83
	Nature	0.70	0.59	0.41	0.70	0.56	0.57	0.51
	Pers.	0.66	0.49	0.56	0.69	0.51	0.61	0.59
	Pol.	0.68	0.54	0.45	0.71	0.49	0.46	0.48
	Sports	0.71	0.60	0.61	0.73	0.49	0.60	0.61
`Qwen2.5-VL-7B`	Cult.	0.69	0.43	0.58	0.65	0.42	0.54	0.55
	Food	0.69	0.34	0.66	0.64	0.32	0.56	0.60
	Hist.	0.70	0.46	0.58	0.69	0.41	0.54	0.54
	M&M	0.66	0.35	0.24	0.80	0.41	0.29	0.35
	Nat. Achv.	0.68	0.40	0.67	0.71	0.46	0.65	0.55
	Nature	0.69	0.43	0.49	0.56	0.32	0.24	0.46
	Pers.	0.65	0.38	0.43	0.69	0.45	0.51	0.44
	Pol.	0.68	0.45	0.42	0.70	0.47	0.35	0.36
	Sports	0.67	0.46	0.44	0.72	0.44	0.29	0.50
`Qwen3-VL-8B`	Cult.	0.70	0.53	0.53	0.67	0.40	0.59	0.57
	Food	0.69	0.49	0.66	0.66	0.37	0.60	0.64
	Hist.	0.71	0.54	0.66	0.67	0.38	0.60	0.68
	M&M	0.68	0.37	0.25	0.82	0.47	0.39	0.26
	Nat. Achv.	0.71	0.57	0.69	0.69	0.50	0.50	0.70
	Nature	0.69	0.52	0.37	0.59	0.35	0.46	0.38
	Pers.	0.64	0.43	0.42	0.69	0.51	0.45	0.44
	Pol.	0.67	0.47	0.39	0.69	0.47	0.41	0.44
	Sports	0.69	0.58	0.51	0.72	0.47	0.46	0.49
`GPT-4.1-mini`	Cult.	0.72	0.57	0.64	0.72	0.57	0.60	0.69
	Food	0.71	0.54	0.69	0.72	0.56	0.61	0.78
	Hist.	0.72	0.55	0.60	0.71	0.56	0.56	0.63
	M&M	0.70	0.50	0.43	0.87	0.55	0.35	0.43
	Nat. Achv.	0.71	0.60	0.58	0.71	0.58	0.56	0.73
	Nature	0.71	0.62	0.41	0.71	0.59	0.35	0.56
	Pers.	0.66	0.49	0.50	0.69	0.50	0.45	0.73
	Pol.	0.68	0.52	0.39	0.70	0.51	0.46	0.56
	Sports	0.70	0.57	0.47	0.74	0.55	0.45	0.56

Full results by model and domain for Urdu Language.

Barishal Dialect Results

Models	Domain	Zero-Shot			Few-Shot			CoT VQA
		Caption		VQA	Caption		VQA
		B-F1	LLM	Accuracy (%)	B-F1	LLM	Accuracy (%)
`Gemma3-4B`	Cult.	0.68	0.49	0.61	0.67	0.48	0.38	0.48
	Food	0.69	0.45	0.74	0.69	0.53	0.53	0.75
	Hist.	0.65	0.47	0.48	0.66	0.43	0.33	0.48
	M&M	0.64	0.43	0.29	0.75	0.47	0.29	0.29
	Nat. Achv.	0.65	0.45	0.26	0.65	0.49	0.25	0.36
	Nature	0.68	0.52	0.67	0.68	0.56	0.60	0.45
	Pers.	0.63	0.44	0.56	0.64	0.45	0.46	0.52
	Pol.	0.63	0.45	0.41	0.66	0.45	0.37	0.40
	Sports	0.64	0.48	0.42	0.64	0.47	0.44	0.63
`Gemma3-12B`	Cult.	0.69	0.47	0.64	0.68	0.46	0.63	0.70
	Food	0.70	0.44	0.86	0.70	0.49	0.76	0.95
	Hist.	0.67	0.42	0.63	0.67	0.41	0.55	0.75
	M&M	0.66	0.39	0.32	0.80	0.49	0.37	0.35
	Nat. Achv.	0.66	0.44	0.49	0.67	0.46	0.50	0.42
	Nature	0.69	0.46	0.46	0.67	0.47	0.51	0.52
	Pers.	0.64	0.42	0.67	0.66	0.41	0.65	0.67
	Pol.	0.64	0.42	0.51	0.67	0.42	0.55	0.50
	Sports	0.65	0.42	0.48	0.66	0.42	0.52	0.47
`Gemma3-27B`	Cult.	0.69	0.47	0.70	0.69	0.50	0.72	0.69
	Food	0.70	0.51	0.88	0.72	0.54	0.87	0.90
	Hist.	0.66	0.41	0.67	0.70	0.47	0.64	0.71
	M&M	0.64	0.42	0.36	0.78	0.48	0.31	0.39
	Nat. Achv.	0.66	0.44	0.51	0.68	0.48	0.53	0.75
	Nature	0.68	0.45	0.61	0.69	0.51	0.63	0.75
	Pers.	0.63	0.42	0.82	0.67	0.45	0.80	0.75
	Pol.	0.63	0.39	0.53	0.68	0.45	0.51	0.58
	Sports	0.66	0.44	0.65	0.66	0.44	0.65	0.80
`Qwen2.5-VL-7B`	Cult.	0.68	0.38	0.48	0.66	0.34	0.45	0.51
	Food	0.69	0.34	0.61	0.64	0.33	0.51	0.67
	Hist.	0.69	0.44	0.57	0.65	0.34	0.44	0.61
	M&M	0.68	0.34	0.21	0.78	0.41	0.26	0.31
	Nat. Achv.	0.67	0.30	0.66	0.69	0.44	0.68	0.55
	Nature	0.68	0.36	0.40	0.55	0.31	0.66	0.35
	Pers.	0.64	0.36	0.36	0.68	0.45	0.42	0.52
	Pol.	0.65	0.38	0.38	0.69	0.45	0.32	0.51
	Sports	0.68	0.35	0.45	0.70	0.44	0.39	0.53
`Qwen3-VL-8B`	Cult.	0.67	0.43	0.59	0.66	0.34	0.59	0.70
	Food	0.68	0.40	0.72	0.69	0.42	0.73	0.74
	Hist.	0.67	0.46	0.71	0.67	0.38	0.71	0.65
	M&M	0.67	0.35	0.36	0.69	0.37	0.37	0.28
	Nat. Achv.	0.66	0.41	0.67	0.65	0.35	0.59	0.57
	Nature	0.68	0.43	0.53	0.65	0.34	0.31	0.48
	Pers.	0.63	0.42	0.52	0.65	0.43	0.54	0.52
	Pol.	0.64	0.45	0.45	0.66	0.42	0.47	0.46
	Sports	0.65	0.47	0.48	0.64	0.38	0.53	0.43
`GPT-4.1-mini`	Cult.	0.70	0.46	0.64	0.70	0.50	0.59	0.75
	Food	0.72	0.45	0.84	0.73	0.54	0.73	0.92
	Hist.	0.69	0.44	0.56	0.70	0.50	0.54	0.68
	M&M	0.68	0.37	0.45	0.90	0.56	0.41	0.45
	Nat. Achv.	0.69	0.42	0.61	0.69	0.52	0.51	0.85
	Nature	0.69	0.41	0.48	0.71	0.51	0.51	0.62
	Pers.	0.65	0.36	0.59	0.69	0.52	0.53	0.73
	Pol.	0.65	0.37	0.49	0.69	0.45	0.43	0.56
	Sports	0.66	0.43	0.52	0.71	0.45	0.53	0.71

Full results by model and domain for Barishal Dialect.

Chittagong Dialect Results

Models	Domain	Zero-Shot			Few-Shot			CoT VQA
		Caption		VQA	Caption		VQA
		B-F1	LLM	Accuracy (%)	B-F1	LLM	Accuracy (%)
`Gemma3-4B`	Cult.	0.67	0.45	0.65	0.68	0.45	0.42	0.62
	Food	0.69	0.48	0.75	0.69	0.51	0.62	0.77
	Hist.	0.65	0.40	0.47	0.68	0.45	0.33	0.41
	M&M	0.65	0.42	0.25	0.78	0.51	0.25	0.30
	Nat. Achv.	0.65	0.44	0.28	0.67	0.43	0.27	0.31
	Nature	0.69	0.51	0.63	0.69	0.53	0.57	0.49
	Pers.	0.63	0.40	0.52	0.66	0.42	0.44	0.51
	Pol.	0.63	0.41	0.38	0.67	0.41	0.35	0.53
	Sports	0.63	0.45	0.45	0.65	0.45	0.27	0.61
`Gemma3-12B`	Cult.	0.68	0.45	0.65	0.68	0.45	0.61	0.69
	Food	0.70	0.48	0.85	0.71	0.51	0.71	0.83
	Hist.	0.67	0.40	0.62	0.68	0.40	0.59	0.74
	M&M	0.66	0.42	0.32	0.83	0.51	0.37	0.28
	Nat. Achv.	0.66	0.47	0.54	0.67	0.45	0.49	0.62
	Nature	0.68	0.43	0.51	0.68	0.46	0.45	0.59
	Pers.	0.64	0.41	0.69	0.66	0.41	0.64	0.83
	Pol.	0.64	0.41	0.47	0.68	0.40	0.49	0.54
	Sports	0.65	0.45	0.52	0.66	0.45	0.42	0.50
`Gemma3-27B`	Cult.	0.68	0.40	0.68	0.69	0.47	0.73	0.77
	Food	0.70	0.44	0.90	0.71	0.50	0.88	0.85
	Hist.	0.66	0.38	0.67	0.69	0.46	0.67	0.77
	M&M	0.66	0.35	0.34	0.79	0.50	0.30	0.34
	Nat. Achv.	0.66	0.45	0.52	0.68	0.43	0.46	0.69
	Nature	0.69	0.43	0.59	0.70	0.50	0.57	0.70
	Pers.	0.63	0.35	0.78	0.67	0.46	0.82	0.80
	Pol.	0.64	0.36	0.55	0.68	0.46	0.48	0.48
	Sports	0.66	0.38	0.66	0.67	0.41	0.66	0.71
`Qwen2.5-VL-7B`	Cult.	0.67	0.36	0.55	0.63	0.34	0.49	0.60
	Food	0.69	0.31	0.68	0.65	0.29	0.49	0.66
	Hist.	0.69	0.42	0.62	0.67	0.37	0.57	0.50
	M&M	0.67	0.35	0.18	0.79	0.45	0.19	0.18
	Nat. Achv.	0.67	0.34	0.66	0.70	0.39	0.60	0.43
	Nature	0.68	0.37	0.51	0.54	0.28	0.38	0.37
	Pers.	0.63	0.34	0.36	0.67	0.41	0.44	0.54
	Pol.	0.65	0.39	0.36	0.69	0.44	0.31	0.29
	Sports	0.67	0.37	0.52	0.69	0.45	0.43	0.58
`Qwen3-VL-8B`	Cult.	0.67	0.45	0.60	0.67	0.42	0.57	0.67
	Food	0.68	0.40	0.69	0.69	0.43	0.67	0.74
	Hist.	0.67	0.44	0.68	0.67	0.41	0.68	0.69
	M&M	0.66	0.36	0.29	0.68	0.34	0.25	0.28
	Nat. Achv.	0.65	0.41	0.59	0.66	0.42	0.53	0.59
	Nature	0.67	0.44	0.57	0.64	0.33	0.48	0.45
	Pers.	0.63	0.43	0.57	0.64	0.41	0.46	0.50
	Pol.	0.64	0.44	0.48	0.66	0.41	0.41	0.38
	Sports	0.64	0.42	0.54	0.66	0.39	0.44	0.56
`GPT-4.1-mini`	Cult.	0.69	0.41	0.70	0.70	0.45	0.58	0.73
	Food	0.72	0.46	0.84	0.74	0.52	0.75	0.91
	Hist.	0.69	0.41	0.64	0.70	0.46	0.64	0.66
	M&M	0.68	0.42	0.48	0.89	0.61	0.42	0.43
	Nat. Achv.	0.69	0.46	0.59	0.70	0.54	0.57	0.80
	Nature	0.70	0.39	0.58	0.71	0.46	0.44	0.57
	Pers.	0.65	0.34	0.67	0.69	0.52	0.54	0.78
	Pol.	0.66	0.36	0.50	0.68	0.45	0.46	0.59
	Sports	0.67	0.41	0.50	0.70	0.48	0.44	0.66

Full results by model and domain for Chittagong Dialect.

Noakhali Dialect Results

Models	Domain	Zero-Shot			Few-Shot			CoT VQA
		Caption		VQA	Caption		VQA
		B-F1	LLM	Accuracy (%)	B-F1	LLM	Accuracy (%)
`Gemma3-4B`	Cult.	0.69	0.48	0.65	0.68	0.49	0.49	0.51
	Food	0.69	0.45	0.74	0.69	0.50	0.61	0.72
	Hist.	0.66	0.40	0.46	0.68	0.42	0.37	0.51
	M&M	0.65	0.41	0.23	0.79	0.48	0.28	0.31
	Nat. Achv.	0.66	0.49	0.31	0.68	0.45	0.20	0.43
	Nature	0.70	0.56	0.63	0.69	0.56	0.69	0.49
	Pers.	0.64	0.45	0.51	0.68	0.47	0.50	0.53
	Pol.	0.65	0.45	0.40	0.68	0.43	0.41	0.46
	Sports	0.64	0.42	0.50	0.66	0.46	0.45	0.45
`Gemma3-12B`	Cult.	0.69	0.42	0.67	0.68	0.44	0.65	0.70
	Food	0.71	0.44	0.86	0.71	0.49	0.77	0.88
	Hist.	0.67	0.37	0.63	0.68	0.42	0.60	0.62
	M&M	0.67	0.37	0.35	0.75	0.54	0.34	0.36
	Nat. Achv.	0.66	0.42	0.55	0.68	0.45	0.44	0.44
	Nature	0.69	0.43	0.48	0.68	0.45	0.46	0.60
	Pers.	0.64	0.41	0.68	0.65	0.41	0.67	0.69
	Pol.	0.65	0.40	0.54	0.67	0.41	0.56	0.60
	Sports	0.65	0.40	0.53	0.65	0.42	0.52	0.82
`Gemma3-27B`	Cult.	0.70	0.47	0.73	0.69	0.48	0.69	0.79
	Food	0.71	0.47	0.90	0.72	0.52	0.91	0.90
	Hist.	0.68	0.44	0.66	0.69	0.45	0.69	0.70
	M&M	0.68	0.41	0.35	0.80	0.51	0.32	0.46
	Nat. Achv.	0.67	0.47	0.48	0.67	0.43	0.53	0.85
	Nature	0.69	0.47	0.62	0.70	0.51	0.68	0.67
	Pers.	0.65	0.39	0.80	0.68	0.46	0.85	0.83
	Pol.	0.65	0.39	0.51	0.69	0.46	0.47	0.50
	Sports	0.67	0.43	0.65	0.66	0.42	0.58	0.67
`Qwen2.5-VL-7B`	Cult.	0.68	0.37	0.51	0.69	0.36	0.49	0.53
	Food	0.69	0.33	0.66	0.71	0.41	0.54	0.68
	Hist.	0.69	0.42	0.60	0.70	0.44	0.55	0.60
	M&M	0.68	0.35	0.21	0.83	0.53	0.29	0.23
	Nat. Achv.	0.67	0.41	0.69	0.70	0.42	0.48	0.56
	Nature	0.68	0.41	0.37	0.71	0.44	0.58	0.34
	Pers.	0.64	0.36	0.46	0.67	0.41	0.44	0.43
	Pol.	0.65	0.39	0.39	0.68	0.44	0.36	0.30
	Sports	0.67	0.40	0.44	0.72	0.49	0.42	0.41
`Qwen3-VL-8B`	Cult.	0.67	0.45	0.65	0.67	0.35	0.62	0.64
	Food	0.69	0.40	0.73	0.68	0.40	0.69	0.74
	Hist.	0.68	0.43	0.69	0.66	0.35	0.63	0.72
	M&M	0.67	0.36	0.38	0.69	0.37	0.30	0.35
	Nat. Achv.	0.67	0.46	0.63	0.66	0.42	0.57	0.81
	Nature	0.68	0.43	0.38	0.64	0.30	0.35	0.43
	Pers.	0.64	0.42	0.50	0.65	0.42	0.44	0.46
	Pol.	0.64	0.42	0.43	0.66	0.39	0.44	0.34
	Sports	0.66	0.47	0.50	0.66	0.38	0.47	0.58
`GPT-4.1-mini`	Cult.	0.70	0.44	0.65	0.71	0.52	0.58	0.72
	Food	0.71	0.41	0.85	0.73	0.51	0.73	0.88
	Hist.	0.69	0.44	0.61	0.71	0.50	0.57	0.68
	M&M	0.68	0.36	0.48	0.90	0.64	0.38	0.49
	Nat. Achv.	0.69	0.43	0.62	0.71	0.53	0.62	0.82
	Nature	0.70	0.39	0.49	0.71	0.50	0.51	0.59
	Pers.	0.65	0.37	0.57	0.70	0.51	0.57	0.74
	Pol.	0.67	0.38	0.42	0.69	0.49	0.51	0.57
	Sports	0.68	0.42	0.53	0.69	0.48	0.50	0.61

Full results by model and domain for Noakhali Dialect.

Rangpur Dialect Results

Models	Domain	Zero-Shot			Few-Shot			CoT VQA
		Caption		VQA	Caption		VQA
		B-F1	LLM	Accuracy (%)	B-F1	LLM	Accuracy (%)
`Gemma3-4B`	Cult.	0.68	0.49	0.63	0.68	0.49	0.50	0.59
	Food	0.70	0.50	0.73	0.70	0.52	0.56	0.72
	Hist.	0.67	0.48	0.44	0.68	0.44	0.42	0.40
	M&M	0.66	0.44	0.27	0.80	0.52	0.29	0.30
	Nat. Achv.	0.67	0.52	0.35	0.66	0.44	0.27	0.45
	Nature	0.69	0.55	0.67	0.69	0.57	0.69	0.41
	Pers.	0.63	0.42	0.59	0.67	0.46	0.55	0.53
	Pol.	0.64	0.41	0.42	0.69	0.45	0.38	0.41
	Sports	0.65	0.48	0.48	0.66	0.47	0.37	0.46
`Gemma3-12B`	Cult.	0.69	0.45	0.62	0.68	0.44	0.62	0.82
	Food	0.70	0.47	0.85	0.71	0.51	0.78	0.82
	Hist.	0.67	0.43	0.64	0.68	0.44	0.60	0.76
	M&M	0.65	0.41	0.37	0.82	0.51	0.32	0.44
	Nat. Achv.	0.65	0.45	0.52	0.68	0.46	0.52	0.71
	Nature	0.68	0.43	0.44	0.69	0.46	0.54	0.58
	Pers.	0.63	0.42	0.66	0.65	0.40	0.71	0.76
	Pol.	0.65	0.41	0.55	0.67	0.40	0.54	0.62
	Sports	0.64	0.44	0.50	0.66	0.44	0.52	0.54
`Gemma3-27B`	Cult.	0.70	0.52	0.69	0.68	0.49	0.72	0.64
	Food	0.71	0.50	0.88	0.72	0.52	0.90	0.87
	Hist.	0.68	0.47	0.69	0.69	0.47	0.66	0.75
	M&M	0.67	0.43	0.33	0.84	0.52	0.34	0.43
	Nat. Achv.	0.68	0.48	0.52	0.69	0.43	0.55	0.73
	Nature	0.69	0.49	0.59	0.70	0.54	0.60	0.67
	Pers.	0.64	0.42	0.78	0.69	0.48	0.78	0.79
	Pol.	0.65	0.43	0.57	0.68	0.46	0.51	0.51
	Sports	0.67	0.48	0.66	0.68	0.45	0.53	0.84
`Qwen2.5-VL-7B`	Cult.	0.69	0.49	0.55	0.69	0.47	0.40	0.59
	Food	0.69	0.43	0.68	0.72	0.46	0.57	0.68
	Hist.	0.70	0.51	0.60	0.71	0.52	0.51	0.50
	M&M	0.69	0.44	0.22	0.81	0.57	0.26	0.20
	Nat. Achv.	0.68	0.49	0.69	0.69	0.50	0.71	0.51
	Nature	0.70	0.51	0.42	0.71	0.50	0.70	0.40
	Pers.	0.65	0.45	0.47	0.68	0.47	0.39	0.53
	Pol.	0.66	0.47	0.39	0.67	0.49	0.36	0.33
	Sports	0.69	0.49	0.48	0.72	0.54	0.44	0.44
`Qwen3-VL-8B`	Cult.	0.66	0.43	0.57	0.66	0.35	0.65	0.66
	Food	0.68	0.41	0.75	0.68	0.41	0.70	0.73
	Hist.	0.67	0.44	0.70	0.67	0.38	0.72	0.65
	M&M	0.66	0.34	0.32	0.67	0.38	0.27	0.38
	Nat. Achv.	0.65	0.41	0.66	0.64	0.42	0.55	0.65
	Nature	0.67	0.42	0.57	0.65	0.34	0.50	0.49
	Pers.	0.62	0.41	0.57	0.64	0.44	0.53	0.54
	Pol.	0.64	0.42	0.45	0.67	0.45	0.47	0.44
	Sports	0.64	0.44	0.48	0.65	0.36	0.42	0.61
`GPT-4.1-mini`	Cult.	0.69	0.42	0.66	0.70	0.50	0.58	0.78
	Food	0.72	0.44	0.86	0.73	0.54	0.68	0.89
	Hist.	0.69	0.45	0.63	0.69	0.48	0.62	0.72
	M&M	0.69	0.39	0.53	0.91	0.63	0.39	0.43
	Nat. Achv.	0.69	0.45	0.57	0.70	0.52	0.58	0.74
	Nature	0.69	0.41	0.55	0.71	0.53	0.49	0.69
	Pers.	0.64	0.39	0.59	0.70	0.51	0.46	0.72
	Pol.	0.66	0.35	0.46	0.69	0.46	0.46	0.51
	Sports	0.67	0.43	0.53	0.71	0.53	0.50	0.74

Full results by model and domain for Rangpur Dialect.

Sylhet Dialect Results

Models	Domain	Zero-Shot			Few-Shot			CoT VQA
		Caption		VQA	Caption		VQA
		B-F1	LLM	Accuracy (%)	B-F1	LLM	Accuracy (%)
`Gemma3-4B`	Cult.	0.67	0.47	0.60	0.68	0.45	0.45	0.58
	Food	0.70	0.46	0.72	0.70	0.50	0.62	0.64
	Hist.	0.66	0.42	0.44	0.68	0.43	0.40	0.47
	M&M	0.65	0.42	0.27	0.80	0.50	0.35	0.36
	Nat. Achv.	0.65	0.47	0.31	0.68	0.48	0.29	0.45
	Nature	0.69	0.58	0.59	0.69	0.56	0.63	0.52
	Pers.	0.63	0.45	0.58	0.67	0.45	0.54	0.51
	Pol.	0.64	0.45	0.40	0.68	0.43	0.42	0.40
	Sports	0.64	0.47	0.47	0.67	0.47	0.42	0.44
`Gemma3-12B`	Cult.	0.68	0.40	0.62	0.68	0.43	0.65	0.78
	Food	0.70	0.40	0.82	0.71	0.48	0.67	0.91
	Hist.	0.66	0.37	0.64	0.69	0.39	0.64	0.64
	M&M	0.66	0.39	0.35	0.80	0.49	0.33	0.45
	Nat. Achv.	0.65	0.38	0.46	0.67	0.43	0.38	0.58
	Nature	0.68	0.41	0.47	0.68	0.45	0.54	0.42
	Pers.	0.63	0.31	0.68	0.65	0.34	0.65	0.81
	Pol.	0.63	0.33	0.54	0.67	0.39	0.52	0.59
	Sports	0.65	0.39	0.45	0.66	0.40	0.44	0.50
`Gemma3-27B`	Cult.	0.69	0.48	0.70	0.69	0.48	0.68	0.78
	Food	0.71	0.45	0.84	0.72	0.53	0.82	0.86
	Hist.	0.69	0.44	0.66	0.69	0.46	0.63	0.75
	M&M	0.67	0.42	0.34	0.84	0.51	0.33	0.45
	Nat. Achv.	0.68	0.43	0.51	0.68	0.45	0.49	0.69
	Nature	0.69	0.46	0.59	0.70	0.50	0.60	0.63
	Pers.	0.65	0.36	0.79	0.69	0.48	0.82	0.78
	Pol.	0.66	0.38	0.51	0.68	0.46	0.47	0.55
	Sports	0.68	0.42	0.63	0.67	0.41	0.56	0.68
`Qwen2.5-VL-7B`	Cult.	0.67	0.35	0.52	0.69	0.32	0.42	0.53
	Food	0.69	0.32	0.55	0.71	0.35	0.45	0.59
	Hist.	0.68	0.42	0.58	0.70	0.43	0.55	0.52
	M&M	0.67	0.35	0.21	0.83	0.53	0.22	0.22
	Nat. Achv.	0.67	0.36	0.66	0.70	0.40	0.71	0.52
	Nature	0.69	0.39	0.43	0.70	0.44	0.60	0.38
	Pers.	0.64	0.36	0.49	0.67	0.41	0.48	0.51
	Pol.	0.66	0.38	0.39	0.69	0.44	0.34	0.36
	Sports	0.67	0.41	0.45	0.69	0.44	0.37	0.48
`Qwen3-VL-8B`	Cult.	0.66	0.45	0.66	0.65	0.35	0.59	0.68
	Food	0.68	0.44	0.71	0.69	0.45	0.68	0.73
	Hist.	0.67	0.44	0.72	0.66	0.35	0.67	0.72
	M&M	0.66	0.34	0.42	0.67	0.37	0.44	0.37
	Nat. Achv.	0.67	0.45	0.66	0.65	0.34	0.69	0.72
	Nature	0.68	0.47	0.48	0.64	0.32	0.42	0.44
	Pers.	0.63	0.41	0.49	0.64	0.45	0.56	0.56
	Pol.	0.64	0.44	0.42	0.66	0.42	0.41	0.42
	Sports	0.66	0.44	0.53	0.64	0.39	0.51	0.59
`GPT-4.1-mini`	Cult.	0.69	0.43	0.63	0.70	0.51	0.59	0.71
	Food	0.72	0.46	0.84	0.72	0.50	0.66	0.86
	Hist.	0.69	0.46	0.58	0.70	0.49	0.58	0.68
	M&M	0.69	0.40	0.47	0.90	0.59	0.43	0.50
	Nat. Achv.	0.69	0.48	0.64	0.70	0.55	0.62	0.76
	Nature	0.70	0.45	0.53	0.72	0.54	0.47	0.67
	Pers.	0.65	0.36	0.63	0.70	0.51	0.51	0.71
	Pol.	0.66	0.40	0.48	0.68	0.47	0.44	0.63
	Sports	0.68	0.46	0.47	0.70	0.50	0.47	0.73

Full results by model and domain for Sylhet Dialect.

BibTeX


@article{sayeedi2026many,
  title={Many Dialects, Many Languages, One Cultural Lens: Evaluating Multilingual VLMs for Bengali Culture Understanding Across Historically Linked Languages and Regional Dialects},
  author={Sayeedi, Nurul Labib and Sayeedi, Md. Faiyaz Abdullah and Dipta, Shubhashis Roy and Tabassum, Rubaya and Hridoy, Ariful Ekraj and Mahmood, Mehraj and Sobhani, Mahbub E and Hasan, Md. Tarek and Shatabda, Swakkhar},
  journal={arXiv preprint arXiv:2603.21165},
  year={2026}
}

BanglaVerse