GroundBench

视觉语言模型（VLM）在物体部件识别方面存在困难，阻碍了机器人操作任务

新研究表明，视觉语言模型（VLM）在可供性预测方面存在困难，这主要是由于正确识别物体部件的困难，而不是缺乏动作知识。使用 GroundBench 等基准的研究表明，虽然命名目标部件能显著提高模型预测正确动作的能力，但一些模型可能依赖文本捷径而非真正的视觉接地。这表明改进部件识别是提高 VLM 在机器人操作任务中性能的关键。