Exploring Perceptual Limitation of Multimodal Large Language Models

本文是LLM系列文章，针对《Exploring Perceptual Limitation of Multimodal Large Language Models》的翻译。

摘要

近年来，多模态大语言模型在回答视觉问题方面表现出了显著的感知能力，但对其感知的局限性知之甚少。特别是，尽管先前的工作提供了MLLMs对物体大小敏感的轶事证据，但这种现象及其根本原因尚未得到全面探讨。在这项工作中，我们定量研究了几种最先进的MLLM中对小视觉对象的感知，并揭示了在回答图像中关于小对象的问题时普遍存在的局限性。接下来，我们确定了四个可能导致这种限制的独立因素——物体质量、大小、干扰物和位置——并进行对照干预研究，以衡量每个因素对MLLMs感知的影响。特别是，我们发现较低的对象质量和较小的对象大小都会独立降低MLLMs回答视觉问题的能力。更令人惊讶的是，我们发现物体在图像中的位置和视觉干扰物的存在也会显著降低MLLMs的问答准确性。我们的研究提供了对MLLMs感知局限性的更好理解，并为分析未来MLLMs的感知提供了新的评估协议。为了便于进一步调查，我们在这里发布我们的代码和数据。

1 引言

2 相关工作

3 MLLMs能感知小物体吗？

4 哪些因素影响MLLMs对小物体的感知？

5 结论

在本文中，我们揭示了当前MLLMs在感知小视觉细节方面的显著局限性。为了进一步了解这种局限性，我们确定了四个独立的相关因素：物体质量、大小、干扰