CODIS: Benchmarking Context-Dependent Visual Comprehension for Multimodal Large Language Models

要約

マルチモーダル大規模言語モデル (MLLM) は、視覚と言語を組み合わせたさまざまなタスクにおいて有望な結果を実証しています。
これらのモデルが研究や応用にますます不可欠になるにつれて、その機能の包括的な評価を実施することがますます重要になっています。
しかし、既存のベンチマークのほとんどは、特定の状況では画像をより広いコンテキスト内で解釈する必要があることを考慮していません。
この作業では、自由形式のテキストで提供されるコンテキストを使用して視覚的な理解を強化するモデルの能力を評価するように設計された、CODIS という名前の新しいベンチマークを導入します。
私たちの調査結果は、MLLM がこのベンチマークにおいて人間のパフォーマンスを常に下回っていることを示しています。
さらなる分析により、これらのモデルは、画像の理解を向上させるためにコンテキスト情報を効果的に抽出して利用するのに苦労していることが確認されました。
これは、MLLM が文脈に依存した方法でビジュアルを理解する能力を強化する差し迫った必要性を強調しています。
プロジェクト Web サイト (https://thunlp-mt.github.io/CODIS) をご覧ください。

要約(オリジナル)

Multimodal large language models (MLLMs) have demonstrated promising results in a variety of tasks that combine vision and language. As these models become more integral to research and applications, conducting comprehensive evaluations of their capabilities has grown increasingly important. However, most existing benchmarks fail to consider that, in certain situations, images need to be interpreted within a broader context. In this work, we introduce a new benchmark, named as CODIS, designed to assess the ability of models to use context provided in free-form text to enhance visual comprehension. Our findings indicate that MLLMs consistently fall short of human performance on this benchmark. Further analysis confirms that these models struggle to effectively extract and utilize contextual information to improve their understanding of images. This underscores the pressing need to enhance the ability of MLLMs to comprehend visuals in a context-dependent manner. View our project website at https://thunlp-mt.github.io/CODIS.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google