本研究探讨了视觉语言模型在复杂视觉推理中的挑战，特别是文本与视觉数据之间的差距。通过新基准DrivingVQA评估视觉链思维推理能力，发现现有模型在零样本设置下表现不佳，并提出基于相关实体的训练策略，提升推理效果可达7%。

Driving Visual Question Answering: Analyzing Visual Chain-of-Thought Reasoning of Vision Language Models in Real-World Scenarios
BriefGPT - AI 论文速递
BriefGPT - AI 论文速递 ·
👤 个人中心
在公众号发送验证码完成验证