摘要
本文旨在探讨图像编辑模型能否在图像空间中自主发现视觉规则并端到端解决问题。受人类智商测试启发,我们提出了WISRD基准,涵盖11项核心任务及8种信息条件,涉及局部标记、填充、计数及抑制无关编辑等能力,并包含多步空间操作、抽象模式推理等压力测试。实验表明,Nano Banana Pro表现最佳(通过率48.7%),当前模型可部分依赖图像内渲染指令进行推理,且在数独和瑞文推理测验中展现出一定的图像空间推理潜力。
AI 推荐理由
论文核心评估模型在图像空间中的规则发现、逻辑推理及多步问题解决能力,直接对应推理主题。
研究机构
LIMIT Lab
东京大学
日本国立产业技术综合研究所 (AIST)
牛津大学视觉几何组
论文信息