transformer-based judges

研究发现 LVLM 在图像序列时间推理方面存在困难

一项新的研究论文强调了当前大型视觉语言模型（LVLM）评估图像序列中时间推理能力的一个关键缺陷。研究表明，这些模型表现出显著的偏见，例如首因效应和近因效应，其中图像帧的位置不成比例地影响它们对叙事连贯性而非语义一致性的判断。这表明现有的基于 Transformer 的裁判模型不适合评估视觉叙事的时间流程，因此有必要开发新的评估范式，将序列视为统一的逻辑结构。