MIT-IBM Watson AI Lab

VLMs应对视觉错觉、空间推理和评估基准

研究人员正在开发新方法来提高视觉语言模型（VLM）的鲁棒性和推理能力。一种方法是结构化定性推理（SQI），旨在通过增强视觉基础而不进行模型微调来减轻视觉错觉。另一个重点是改进VLM空间推理的评估，开发了ReVSI等新基准来解决当前评估中存在的系统性无效问题。此外，还在努力使VLM能够更有效地利用几何参考表示来推理3D空间，并探索绕过显式语言中介的潜在视觉推理。