arXiv · 机器人与计算机视觉· Soham Dan·· 12 小时前精选AI 评分82
CueClash:前沿视觉语言模型对近画面平面三维关系的判断存在偏差
CueClash: Frontier Vision-Language Models Judge 3-D Relations Close to the Picture Plane
AI 导读
论文 CueClash 通过构建渲染场景揭示视觉语言模型(VLM)在从图像推断三维关系时存在的线索冲突与深度压缩缺陷。实验显示,Claude Opus 5.5、GPT-5.5 和 Gemini 3.6 Flash 等模型在低推理努力下存在显著准确率差距,且其生成的俯视场景地图往往保留图像的深度缩短特性而非真实布局。研究还发现模型在处理 CV-Bench 照片中的可靠二维线索误导时也会失效。
推荐理由
该研究揭示了前沿 VLM 在从图像推断三维关系时存在的线索冲突与深度压缩缺陷,并量化了不同模型的表现差异。
来源:arXiv · 机器人与计算机视觉 · arxiv.org