Tiered Prompting Protocol

新的LAD-bench基准揭示了视觉语言模型中存在的逻辑推理缺陷

研究人员推出了LAD-bench，这是一个旨在评估大型视觉语言模型（VLM）逻辑推理能力的新基准。该基准包含1000多张合成图像，涵盖住宅、城市、协作和自然领域，其中存在逻辑异常。还提出了一个分层提示协议，以评估模型在识别这些故障时所需的辅助程度。对领先的基础模型的评估显示出明显的弱点，表现最好的模型准确率仅为70.11%，表明隐式逻辑故障检测仍然是一个未解决的挑战。