VIVA: 基于视觉支持的人值决策基准

自动化技术通过计算机视觉和自然语言处理帮助视障人士，研究显示大型模型在辅助功能方面有潜力，但输出精度不足。

ViLPAct是一个视觉-语言基准，旨在人类活动计划，数据集包含2.9k视频，主要挑战在于组合泛化和有效利用两种模态的信息。

BLIVA通过在语言模型中添加视觉理解能力，显著提高了视觉问答任务的性能，取得了较高的准确率。

3D-VLA模型通过引入交互令牌与环境互动，展示了在推理、多模态生成和规划能力上的显著改进，具有真实世界应用潜力。

研究评估了大型视觉语言模型区分人工生成图像和人类生成图像的能力，发现存在偏差，且相对于人类表现较差。

提出了一种新的评估方法，旨在推进对文本生成视觉语言模型能力的理解，并进行细粒度评估。

ViLaM是一个统一的视觉-语言转换模型，在医学图像分析等复杂任务中表现出色，具有潜在的未来应用。

ViLMA作为视频语言模型评估的基准，揭示了模型的真实潜力和与人类理解水平的性能差距。

Voila-A方法通过目光对齐增强了视觉-语言模型的可解释性和效果，实验结果显示其优于多个基准模型。