BriefGPT - AI 论文速递
·
BLINK：多模态大型语言模型具备视觉但无感知能力
💡
原文中文，约500字，阅读约需2分钟。
📝
内容提要
Blink是一个新的多模式语言模型（LLMs）基准，通过对14个计算机视觉任务进行改组，生成了3807个多项选择题。结果显示，现有的多模式LLMs在核心视觉感知能力上仍有挑战，最佳模型的准确率仅为51.26%和45.72%。专家级计算机视觉模型在解决这些问题方面表现更好。Blink将激发社区努力，帮助多模式LLMs赶上人类水平的视觉感知。
🎯
关键要点
- Blink是一个新的多模式语言模型（LLMs）基准，专注于核心视觉感知能力。
- 通过对14个经典计算机视觉任务进行改组，Blink生成了3807个多项选择题。
- 人类在这些任务上的平均准确率为95.70%。
- 现有的多模式LLMs表现不佳，最佳模型GPT-4V和Gemini的准确率仅为51.26%和45.72%。
- 这些模型的表现仅比随机猜测高出13.17%和7.63%。
- 专家级计算机视觉模型在解决这些问题上表现更好，提供了未来改进的潜在途径。
- Blink将激发社区努力，帮助多模式LLMs赶上人类水平的视觉感知。
➡️
