研究人员发现，视觉-语言模型（VLMs）在准确推断人类注视方向方面存在困难，常常将头部朝向误认为是眼球运动。在一项涉及1360张真实世界图像的研究中，VLMs在识别注视目标方面与人类相比存在显著的性能差距。确定的主要原因是模型依赖头部朝向线索而非实际的眼部外观，这表明存在一种数据驱动的偏见，未来的工作旨在解决这一问题，以实现更有效的人机交互。 AI
影响 凸显了VLM在解读人类非语言线索方面的当前局限性，可能影响人机交互技术。
排序理由 学术论文，详细说明了当前视觉-语言模型的特定局限性。
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →
arXiv:2506.05412v3 Announce Type: replace-cross Abstract: Where someone looks is a nonverbal communication cue that children and adults readily use. How well can Vision-Language Models (VLMs) infer gaze targets? To construct evaluation stimuli, we captured 1,360 real-world photos…