VIM：用于视觉嵌入式指令跟随的多模态大语言模型探测
原文中文，约500字，阅读约需2分钟。发表于：。我们介绍了 VISUAL EMBEDDED INSTRUCTION (VIM)，这是一个新的框架，旨在评估多模态大语言模型 (MLLMs) 在视觉指令跟随能力方面的表现。通过将指令嵌入到视觉场景中，VIM 对 MLLMs 提出挑战，对指令跟随需要强大的视觉解释能力。我们将 VIM 应用于不同的基准测试，包括 VQAv2、MME、MM-Vet 和 RefCOCO...
本文介绍了一个新的框架VISUAL EMBEDDED INSTRUCTION (VIM)，用于评估多模态大语言模型 (MLLMs) 在视觉指令跟随能力方面的表现。通过将指令嵌入到视觉场景中，VIM 对 MLLMs 提出挑战，对指令跟随需要强大的视觉解释能力。作者将 VIM 应用于不同的基准测试，并观察到开源的 MLLMs 与 GPT-4V 之间存在显著的性能差异。作者的目标是通过 VIM 推动该领域的技术进展和发展。
