新的ActiveVision基准揭示多模态大语言模型缺乏类似人类的视觉观察能力

一个名为ActiveVision的新基准被开发出来，用于测试多模态大语言模型（MLLMs）的主动观察能力。该基准包含17项任务，旨在衡量这些模型在中间假设下重定向视线的能力，类似于人类视觉。早期评估显示，即使是GPT-5.5和Claude Fable-5等顶级模型表现也很差，仅解决了很小一部分任务，远低于平均完成率超过96%的人类参与者。研究表明，当前的多模态大语言模型缺乏强大的主动视觉观察能力，这凸显了在架构和训练目标方面进行改进的必要性，以更好地闭合感知-推理循环。 AI

影响 突出了当前多模态大语言模型的一个关键差距，可能指导未来的研究朝着更像人类的视觉感知和推理方向发展。

排序理由 该项目是一篇介绍用于评估AI模型的新基准的研究论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.AI 阅读 →

• ActiveVision
• alphaXiv
• arXiv
• CatalyzeX
• Claude Fable-5
• DagsHub
• Gotit.pub
• GPT-5.5
• Hugging Face
• human
• ScienceCast

• 论文
• 模型发布

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →