一个名为ANCHOR的新基准被提出,用于评估多模态大语言模型(MLLMs)的基础推理能力。ANCHOR包含超过2,300个视频和8,000个问答对,重点评估模型的解释是否与相关的感知证据(如视觉区域、时间间隔和音频线索)一致。对十二个MLLMs的初步测试显示,答案的正确性与其陈述的推理准确性之间存在显著差距,表明当前的评估方法可能掩盖了重要的基础性失败。该基准还表明,移除视频输入会大大降低准确性,而移除边界框或音频的影响较小,且取决于模型。 AI
影响 强调了超越简单答案准确性,对多模态AI推理进行更鲁棒评估的必要性。
排序理由 该项目是一篇学术论文,介绍了一个用于评估AI模型的新基准。[lever_c_demoted from research: ic=1 ai=1.0]
- alphaXiv
- arXiv
- CatalyzeX
- Connected Papers
- DagsHub
- Gemini
- generative pre-trained transformer
- Gotit.pub
- Hugging Face
- Litmaps
- Multimodal Large Language Models and Tunings: Vision, Language, Sensors, Audio, and Beyond
- ScienceCast
- scite Smart Citations
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →