预训练视觉-语言模型是否编码对象状态？
原文中文，约300字，阅读约需1分钟。发表于：。本研究针对视觉语言模型（VLM）在理解物理世界方面的不足，探讨其是否能够编码对象的状态。通过构建ChangeIt-Frames数据集并评估多个开源VLM模型，我们发现这些模型在对象识别方面表现良好，但在区分对象物理状态上存在显著不足。本研究提出了改进VLM模型以编码对象状态的三大提升方向，为未来研究提供了重要依据。
本研究探讨了视觉语言模型（VLM）在理解物理世界方面的不足，并提出了改进VLM模型以编码对象状态的三大提升方向。通过构建ChangeIt-Frames数据集并评估多个开源VLM模型，发现这些模型在对象识别方面表现良好，但在区分对象物理状态上存在不足。该研究为未来研究提供了重要依据。
