Jun, 2024

视觉与语言模型中的多图像理解基准测试:感知、知识、推理和多跳推理

TL;DR通过引入多图像关系基准(MIRB),我们评估了视觉语言模型(VLMs)在比较、分析和推理多个图像时的能力,并发现开源VLMs在单图像任务中接近GPT-4V的性能,但在多图像推理任务中存在显著的性能差距。我们的发现表明,即使是最先进的GPT-4V模型在我们的基准测试中也存在困难,强调了该领域进一步研究和开发的必要性。我们相信我们的MIRB可以作为开发下一代多模态模型的测试平台。