新的AeroGround基准揭示了视觉语言模型（VLM）在空地推理方面存在显著差距

研究人员推出了AeroGround，这是一个旨在评估视觉语言模型（VLM）在空地协同推理任务中的新基准。该基准包含一个模拟数据集，约有29,000个多模态观测组和2,250个问答实例，侧重于跨视图对应、空间理解和推理。目前的VLM与人类相比表现出显著的性能差距，最佳模型的准确率仅为54.4%，凸显了对更强大的空地协同具身智能系统的需求。 AI

影响 突显了当前VLM在现实世界空地协作方面的能力差距，推动了未来的研究。

排序理由 该集群描述了在arXiv上发布的一个新的研究基准。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.CV 阅读 →

• AeroGround
• alphaXiv
• arXiv
• CatalyzeX
• DagsHub
• Gotit.pub
• Hugging Face
• ScienceCast
• unmanned aerial vehicle
• vision-language model
• Vision--Language Models

• 论文
• 产品

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