摘要
大型视觉语言模型(LVLM)虽集成了推理能力,但现有评估多局限于单一感知或特定领域。为填补开放世界环境下感知与推理联合评估的空白,本文提出利用视觉错觉作为诊断工具。作者构建了 IllusionReasoning 基准,包含真实世界的错觉图像及多样化问答对。评估结果显示,当前各类 LVLM 的推理能力并未达到宣称水平。该研究为理解 LVLM 局限性提供了新视角,并指明了优化方向。
AI 推荐理由
论文核心评估 LVLM 在视觉错觉下的感知与推理联合能力,直接针对推理机制。
研究机构
1 Adelaide University
2 State Key Laboratory of AI Safety, Institute of Computing Technology, Chinese Academy of Sciences
3 Tsinghua University
4 Amap, Alibaba Group
5 Beihang University
论文信息