GLM-4.5V

前沿VLM因定位不佳和混淆在医疗VQA测试中失败

一篇新论文评估了五种领先的视觉-语言模型（VLM）在可信医疗视觉问答（VQA）方面的表现。研究发现，这些模型在准确识别解剖目标方面的能力存在显著局限性，并且存在左右混淆的倾向，表现最好的模型平均IoU仅为0.23。将定位整合到流程中会进一步降低性能，凸显了定位是关键瓶颈。虽然领域适应在提高VQA准确性方面显示出希望，但感知和可信度问题仍然存在。