研究人员推出了在线平台WildVision-Arena（WV-Arena），用于评估视觉语言模型（VLMs）的人类偏好。他们通过WV-Arena的用户提交选择高质量样本，策划了WV-Bench，并使用GPT-4作为评判标准。研究发现，GPT-4V在视觉识别和推理任务方面表现优秀，但仍面临上下文提示、空间推理、视觉想象力和专家领域知识等挑战。此外，当前的VLMs在受到故意引发时存在幻觉和安全问题。研究人员将发布聊天和反馈数据，推进VLMs领域的研究。