新研究质疑多模态大语言模型视觉工具使用的有效性

一篇新发表在arXiv上的研究论文质疑了多模态大语言模型中视觉工具使用的有效性。该研究题为“视觉工具使用的幻觉：图像思维的因果审计”，发现配备裁剪和缩放等视觉操作的模型，与直接推理相比，准确率提升甚微甚至出现负增长，同时计算成本更高。研究人员开发了一个因果审计框架来评估这些模型，揭示了两种失败模式：“调用而不看”，即视觉证据对答案没有因果影响；以及“看而不规划”，即观察结果具有信息量但模型的决策过程不连贯。研究结果表明，尽管一些部署显示出准确率的提升，但视觉工具使用在广泛的应用中并非始终有效。 AI

影响 对当前多模态大语言模型中视觉推理技术的有效性提出了挑战，可能指导未来研究朝着更鲁棒和因果健全的方法发展。

排序理由 发表在arXiv上的研究论文，详细介绍了新的方法论和研究结果。 [lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.AI 阅读 →

• arXiv
• Calling Without Looking
• Hugging Face
• Looking Without Planning
• Visual Evidence Gain

• 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 →