SPARK：大规模视觉语言模型的多视觉传感器感知与推理基准
原文中文，约200字，阅读约需1分钟。发表于：。本研究解决了当前大规模视觉语言模型在处理多视觉传感器数据时未考虑物理特性的问题。通过建立一个名为SPARK的基准，生成了6248个视觉语言测试样本，以评估多视觉传感器感知和推理能力。关键发现是，大多数模型在多视觉传感器推理方面存在显著不足，显示了该领域的提升潜力。
通过引入多图像关系基准（MIRB），评估了视觉语言模型（VLMs）在多图像推理任务中的性能。发现开源VLMs在单图像任务中接近GPT-4V的性能，但在多图像推理任务中存在显著差距。强调了该领域进一步研究和开发的必要性。MIRB可作为开发下一代多模态模型的测试平台。
