大模型能看懂图片的弦外之音吗？多模态大模型新基准II-Bench

关注

原创最新推荐文章于 2026-09-04 09:17:52 发布 836 阅读 AI 写同款· GEO 优化 ›

细粒度视觉评估基准GAR-Bench解析与应用 多模态大语言模型(MLLM)的视觉理解能力评测正面临细粒度认知的挑战。传统评估方法往往停留在整体图像理解层面，而真实场景需要像素级细节感知，如工业质检中的微米级缺陷识别或医疗影像的细胞结构分析。GAR-Bench通过对抗性采样和动态难度设计，构建包含属性精确定位、空间关系推理等6大任务的评估体系，采用模块化架构支持扩展。该基准特别关注视觉-语言对齐难题，引入字符级编辑距离和注意力热力图分析技术，在3C产品检测中将误检率降低11.5个百分点。细粒度评估正成为提升OCR识别、异常检测等场景性能的关键路径。阅读详情

背景引入

在人工智能飞速发展的今天，大模型的感知能力已经达到了令人惊叹的水平。但是，它们真的能够像人类一样，洞悉图片中的深层含义吗？为了探讨多模型大模型与人类的差距，来自中科院深圳先进院，M-A-P，华中科技大学，零一万物，滑铁卢大学等多家机构联合提出了首个用于评估多模态大模型（MLLMs）图像隐喻理解能力的综合性基准测试II-Bench。

在多模态大模型（MLLMs）的世界中，图像隐喻理解（Image Implication Understanding） 正成为一个全新的挑战。图像隐喻理解不仅仅是识别图像中的物体，它要求模型具备多跳逻辑推理能力和心智理论（ToM），这是属于人类的高级认知能力。与简单的图像理解任务相比，图像隐喻理解要求模型能够捕捉到图像中的隐喻、象征以及细微的情感表达，这无疑是对MLLMs的一次严峻考验。

II-Bench

为了全面评估MLLMs的高级感知能力，研究团队精心打造了II-Bench数据集。从20,150张原始图片中，经过三阶段严格的数据筛选流程——图像去重、文本与图像比例控制以及人工审核，最终我们得到了1,222张图片和1,434个问题。

II-Bench覆盖了生活、艺术、社会、心理、环境等六大领域，图片类型包括插画、梗图、海报、漫画、Logo和绘画等。这种跨领域和跨类别的设计，使得对模型的理解和推理能力的评估更加客观和全面。

实验

研究团队在II-Bench上对20种MLLMs进行了广泛的实验。实验设置了不同的提示方式，包括思维链CoT，多样本学习，图像关键词等，以评估模型在不同条件下的表现。

评测结果

实验结果显示：

1.MLLMs在图像含义理解方面与人类存在显著差距。模型的最高准确率仅为74.8%，而人类的平均准确率高达90%，最佳表现甚至达到了98%。

2.此外，闭源模型通常优于开源模型，但领先闭源模型与领先开源模型之间的性能差距微乎其微，仅为1%左右。

3.在不同领域的表现上，模型在艺术和心理等包含抽象和复杂信息的领域表现较差，而在环境、生活、社会等其他领域表现较好。

4.当在提示中加入图像的情感倾向信息时，模型的得分普遍提高，这表明模型在图像情感理解方面存在不足，容易导致对隐含意义的误解。

5.思维链（CoT）和多样本学习对模型在II-Bench的得分提升上无明显效果。

6.MLLMs对于难度的感知和人类是对齐的，但是对于隐含情感的感知和人类相悖，相比中立和负面情感模型在正面隐喻情感上的表现更好。

错误分析

研究人员对GPT-4V在II-Bench上的错误进行了深入分析，错误类型包括隐喻理解错误、细节理解错误、细节忽略、表面层次理解、推理错误、拒绝回答和答案提取错误。

GPT-4V最常见的错误类型是隐喻理解错误，占比高达36%。这种错误表明，尽管MLLMs在表面级别的图像识别上表现出色，但当涉及到图像中的隐喻和象征性含义时，它们的理解能力仍然有限。这可能是因为隐喻通常需要对文化背景和情境有深刻的理解，而MLLMs可能缺乏这种深层次的语义关联能力。

同时，占比12%的推理错误表明，在需要复杂逻辑和多步骤推理的任务中，MLLMs的性能不足，这反映了模型在处理高级认知任务时的局限性。

总结

最后简单总结一下，II-Bench是一个旨在评估多模态大模型（MLLMs）在图像隐喻理解方面的综合性基准测试。II-Bench的广度体现在其精心构建的包含1,222张图片和1,434个问题的数据上，这些问题覆盖了生活、艺术、社会、心理、环境等六大领域。

评估结果揭示了当前MLLMs在图像含义理解方面与人类相比存在显著差距。II-Bench的目标是衡量MLLMs在高级感知、推理和理解能力方面的进展，并在未来将继续扩展其所涵盖的领域和任务类型。研究人员相信，II-Bench将进一步激发MLLMs的研究和开发，推动人工智能在图像情感理解、隐喻识别和深层次含义推断等高级认知任务上的发展，使得人们能够更接近实现具有高级心智理论（ToM）的真正智能的多模态系统。