AeroGround

新的AeroGround基准揭示了视觉语言模型（VLM）在空地推理方面存在显著差距

研究人员推出了AeroGround，这是一个旨在评估视觉语言模型（VLM）在空地协同推理任务中的新基准。该基准包含一个模拟数据集，约有29,000个多模态观测组和2,250个问答实例，侧重于跨视图对应、空间理解和推理。目前的VLM与人类相比表现出显著的性能差距，最佳模型的准确率仅为54.4%，凸显了对更强大的空地协同具身智能系统的需求。