ReViCo

新的ReViCo基准揭示了视觉语言模型在视觉文本理解方面的局限性

研究人员推出ReViCo，一个旨在测试视觉语言模型（VLMs）视觉文本理解能力的新基准。该基准挑战模型识别和纠正真实图像中文本中的错误，需要对视觉上下文有深刻的理解。使用ReViCo进行的实验显示，当前VLMs与人类能力之间存在显著的性能差距，大多数模型在准确感知视觉文本方面存在困难，并因此频繁出现纠错错误。该基准旨在推动开发更强大、更具文本意识的VLMs。