论文称视觉推理受“参照缺口”制约

论文作者通过 ReGap-Bench 提出，多模态模型在计数等多步视觉推理中的失败，主要源于无法把语言与相关视觉实体、区域或位置绑定，而非单纯看不清物体。作者称，匹配任务的编号等外部参照可使准确率最高提升25%；不匹配的参照收益甚微，甚至会损害表现。 该基准包含五组成对视觉推理任务，场景和问题保持不变，仅改变参照方式，用于检验外部参照对模型表现的作用。

AI 根据报道生成 · 1 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。