arXiv · 机器人与计算机视觉· Ivana Be\v{n}ov\'a, Michal Gregor, Mari\'an \v{S}imko·· 20 天前AI 评分31
VLMs 在检索任务中表现:探测准确率与千级候选召回无关联
It Takes Two to Probe, Thousands to Retrieve: Putting Vision--Language Probes to the Retrieval Test
AI 导读
研究对比了六款视觉语言模型(VLM)在图像文本匹配与千项候选检索中的表现,发现基于手工负样本的探测准确率为 85%,而面对其他模型错误结果时降至 77%。实验表明,通过探测任务无法预测模型能否从数千个选项中正确召回首项,且开源基准\svo{}因标签不完整导致分数偏低。该研究揭示了当前 VLMs 在细粒度理解与大规模检索能力间缺乏直接关联。
来源:arXiv · 机器人与计算机视觉 · arxiv.org