研究人员开发了一种名为ZoomGain的新方法,用于构建视觉语言模型(VLMs)的细粒度视觉监督数据集。该流程利用了模型在图像放大时与全局视图下感知细节的能力差异。该方法生成高质量的问题和干扰项,确保答案依赖于视觉细节而非语言先验。利用这种方法,他们创建了ZoomGainBench基准,在该基准上,顶尖的VLMs准确率仅为61.08%。在ZoomGain数据的一个小子集上进行训练显著提高了他们模型的性能,一个9B参数的模型在多个感知基准上取得了最先进的结果。 AI
影响 这种新方法可以通过提高视觉语言模型的细粒度视觉感知能力,使其更加准确和鲁棒。
排序理由 该集群包含一篇详细介绍计算机视觉研究新方法和基准的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →