研究人员推出了SPOT-THE-SHIFT，这是一个旨在评估多模态大型语言模型（MLLM）在理解和描述图像中长期变化方面的能力的新基准。该基准侧重于基于现实的图像差异字幕生成，为真实驾驶场景中的结构性变化提供自然语言描述和空间掩码。初步测试显示，当前最先进的MLLM在执行此任务所需的复杂空间推理方面存在困难。该研究还包括一种生成合成数据的方法，可以在不损害通用能力的情况下提高MLLM的性能。 AI
影响 突出了当前MLLM在视觉变化检测方面的局限性，可能指导未来在基于现实的图像字幕生成和空间推理方面的研究。
排序理由 该集群描述了一个新的多模态大型语言模型基准和评估协议，属于研究范畴。
在 Hugging Face Daily Papers 阅读 →
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →
完整方法见我们的编辑标准。
Long-term change understanding from images of the same place revisited over time is a challenging task with applications in map maintenance and urban infrastructure monitoring. Prior work addresses it either through pixel-level prediction or difference captioning, neither of whic…
arXiv:2609.10356v1 Announce Type: new Abstract: Long-term change understanding from images of the same place revisited over time is a challenging task with applications in map maintenance and urban infrastructure monitoring. Prior work addresses it either through pixel-level pred…