Filip Ilievski

新研究强调VLM在视觉常识推理方面的局限性

两篇新的arXiv论文探讨了视觉语言模型（VLM）在常识推理方面的能力和局限性。第一篇论文介绍了OPTICS基准测试，揭示了当前的VLM在涉及对象属性的任务中存在困难，尤其是在处理照片图像和复杂的推理层面时，其表现远低于人类准确率。第二篇论文对组合视觉推理领域进行了调查，强调了向自主式VLM的范式转变，并指出了幻觉和需要更鲁棒的评估协议等关键挑战。