MVP-Bench：大型视觉-语言模型能否像人类一样进行多层次视觉感知？
原文中文，约300字，阅读约需1分钟。发表于：。本研究探讨了大型视觉-语言模型（LVLMs）在多层次视觉感知方面与人类之间的差距，填补了这一领域的空白。通过引入MVP-Bench基准，系统评估LVLMs在低层次与高层次视觉感知的能力，发现目前的LVLMs在高层次感知任务上表现不佳，尤其是在处理合成图像时。该研究的成果为改善视觉-语言模型的性能提供了重要指导。
研究表明，许多视觉内容是多余的，答案可以从问题和选项或LLM的知识中推断。LLM和LVLM训练中存在数据泄漏问题。为此，提出了MMStar基准，涵盖6个核心能力和18个方向，并在此基准上评估了16个LVLM，分析其多模态能力及数据泄漏和实际增益。
