研究人员推出了VISTA，这是一个旨在评估视觉语言模型（VLM）时空理解能力的新基准。与关注简单动作和有限实体的现有基准不同，VISTA针对现实世界视频中存在的开放集、多实体和多动作交互进行了定制。该基准包含约12,000个精选的视频-查询对，并提供了一个诊断框架来分析模型在关系、空间和时间维度上的失败情况。 AI
影响 VISTA为评估VLM提供了一个更细致的框架，有可能指导未来模型设计和预训练策略，以提高时空理解能力。
排序理由 这是一篇介绍用于评估AI模型新基准的研究论文。[lever_c_demoted from research: ic=1 ai=1.0]
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →
