研究人员开发了新的基准和方法来评估和改进多模态大语言模型 (MLLM)。一项研究中引入的 RetinaGroundBench 专注于视网膜 OCT 图像中 MLLM 的视觉基础定位,揭示了当前模型在准确病理定位方面存在困难。经过微调的模型 RetGrounder 在此基准上表现出显著改进。另一项研究引入了 Melange,一个旨在评估 MLLM 中社会偏见的基准,发现即使模型在视觉理解方面表现出高准确性,视觉模态也会加剧偏见。此外,还提出了一个统一的攻击框架,该框架能有效绕过 LLM 中的统计生成水印,凸显了当前水印技术的根本性弱点。 AI
影响 新的基准突显了 MLLM 基础定位和偏见检测方面的局限性,而新的攻击框架则揭示了 LLM 水印方面的漏洞,促使对健壮和安全的 AI 系统进行进一步研究。
排序理由 多篇研究论文介绍了针对 LLM 和 MLLM 的新基准和攻击框架。
在 Hugging Face Daily Papers 阅读 →
- AggIoU
- arXiv
- DipMark
- Hugging Face
- ITS
- LLMs
- Mistral-7B-v0.3
- MLLMs
- Octans
- Qwen3-8B-Base
- RetGrounder
- RetinaGroundBench
- SynthID
AI 生成摘要 · Google Gemini · 来自 5 个来源。 我们如何撰写摘要 →