Exploring Perceptual Limitation of Multimodal Large Language Models

828 篇文章

已下架不支持订阅

本文深入研究了多模态大语言模型在处理小视觉对象时的感知能力,发现它们在识别小物体时存在局限性,受到物体质量、大小、干扰物和位置等因素的影响。研究提出了新的评估协议,并为提升MLLMs的感知能力提供了方向。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

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

已下架不支持订阅

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

UnknownBody

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值