PulseAugur
中
实时 10:22:42

新基准评估多模态大语言模型的视觉检测能力

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员推出了 FindIt，这是一个旨在评估通用多模态大语言模型 (MLLM) 的可提示定位能力的新基准。该基准涵盖物体检测、指代表达式检测、实例级检测和视频检测，标准化输入和输出以进行公平评估。对各种 MLLM 的初步评估显示存在显著的局限性，特别是在遵守特定输出格式要求方面，突显了未来模型开发和评估改进的领域。 AI

影响 为评估 MLLM 在定位任务中的能力建立了新标准，可能指导未来模型开发更好地遵守结构化输出。

排序理由 这是一篇介绍用于评估多模态大语言模型的新基准的研究论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.CV 阅读 →

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

报道来源 [1]

  1. arXiv cs.CV TIER_1 English(EN) · Eshika Khandelwal, Jingjing Pan, Mingfang Zhang, Quan Kong, Lorenzo Garattoni, Hilde Kuehne ·

    FindIt: A Format-Informed Visual Detection Benchmark for Generalist Multimodal LLMs

    arXiv:2606.04282v1 Announce Type: new Abstract: Multimodal large language models (MLLMs) are predominantly evaluated on free-form vision-language tasks such as visual question answering, captioning, and summarization. However, their practical use is rapidly expanding to more stru…

相关话题