跳到正文
arXiv · 机器人与计算机视觉· Khai Le-Duc, Nguyen Kim Hai Bui, An Ngo, Nam D. Hoang, Yueqi Song, Jiarui Liu, Thai Quoc Hoang, Fang Wu, Chris Ngo, Terry Jingchen Zhang, Mona T. Diab, Ran Xu, Silvio Savarese, Xiao-Ming Wu·· 20 天前AI 评分73

Vision Language Models 在 3D 推理中的失败点:BedBench 基准研究

Where Do Vision Language Models Fail at 3D Reasoning?

AI 导读

该论文引入 BedBench 基准,通过十三项程序化生成任务评估 VLM 的 3D 属性恢复能力。研究发现人类在按颜色计数任务中准确率达 93.3%,而最佳模型仅为 7.2%;即使针对某模型微调将准确率提升至 68.6%,其回答仍与自身计数不一致。研究进一步指出,单纯增加视觉线索或推理规模无法使精确答案可靠,且部分成功无需视觉证据。代码与数据集已公开。

来源:arXiv · 机器人与计算机视觉 · arxiv.org