研究人员发现，在读取基于表盘的测量值方面，多模态大型语言模型（MLLM）存在一个明显的弱点。这些模型在准确性方面存在困难，并且对视角和光照的变化非常敏感，即使底层的测量值保持不变。研究表明，MLLM过度依赖于表面的视觉线索，而不是理解表盘读数的内在几何特性。为了解决这个问题，提出了一个名为TriSCA的新框架，旨在提高这些模型中的状态一致性。 AI
影响 这项研究突出了MLLM的一种特定故障模式，可能为未来开发更强大的视觉理解能力提供指导。
排序理由 学术论文，详细介绍了一个用于提高MLLM在特定任务上性能的新框架。
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →
arXiv:2604.26614v1 Announce Type: new Abstract: Multimodal large language models (MLLMs) have achieved impressive progress on general multimodal tasks, yet they remain brittle on dial-based measurement reading. In this paper, we study this problem through controlled benchmarks an…
Multimodal large language models (MLLMs) have achieved impressive progress on general multimodal tasks, yet they remain brittle on dial-based measurement reading. In this paper, we study this problem through controlled benchmarks and feature-space probing, and show that current M…