Multi-View Necessity

新基准揭示多模态大语言模型（MLLMs）在跨视图理解方面存在困难

研究人员开发了SSMNBench，一个旨在评估多模态大语言模型（MLLMs）跨视图人与物理解能力的新诊断基准。该基准包含3,300个问答对，分为单视图充分性（SVS）和多视图必要性（MVN）任务。使用SSMNBench进行的评估显示，当前的MLLMs在整合来自多个视图的碎片化证据方面存在困难，并且在面对冗余视觉信息时容易出现“干扰退化”，这表明它们依赖于语义平均而不是真正的跨视图合成。