Answer.AI lancar ReadBench: dedah kemerosotan prestasi ketara model bahasa visual dalam membaca imej teks panjang
Tajuk asal:TIL: Vision-Language Models Read Worse (or Better) Than You Think
Ringkasan AI
Answer.AI memperkenalkan penanda aras baharu ReadBench yang khusus menilai keupayaan model bahasa visual (VLM) mengekstrak dan membuat penaakulan daripada maklumat teks dalam imej. Kajian mendapati walaupun resolusi tinggi tidak banyak memberi kesan pada tugas penjanaan, hampir semua VLM menunjukkan kemerosotan prestasi ketara apabila memproses imej dokumen panjang berbilang halaman, menunjukkan pendekatan Visual RAG semasa belum lagi praktikal untuk konteks panjang. Sebagai perbandingan, GPT-4o menunjukkan prestasi yang agak baik dalam konteks pendek dan senario berbilang halaman, dengan kemerosotan prestasi keseluruhan yang lebih kecil. Penanda aras ini telah disumber terbuka dan merangkumi versi imej set data seperti MMLU dan GPQA.
Maklumat penting
- Answer.
- AI memperkenalkan penanda aras baharu ReadBench yang khusus menilai keupayaan model bahasa visual…
- Kajian mendapati walaupun resolusi tinggi tidak banyak memberi kesan pada tugas penjanaan,hampir…
- Sebagai perbandingan,GPT-4o menunjukkan prestasi yang agak baik dalam konteks pendek dan senario…
- Penanda aras ini telah disumber terbuka dan merangkumi versi imej set data seperti MMLU dan GPQA.
Sekilas pandang
- Diterbitkan pada
- Dikemas kini pada
- Sumber
- Answer.AI 官方研发博客(RSS)
- Kategori
- Kertas penyelidikan
- Skor AI
- 78
针对热门的多模态检索增强生成(Visual RAG)场景提供了关键实证数据,揭示了 VLM 在长文档阅读上的实际瓶颈,为开发者选择模型和优化管道提供重要参考。
Sumber dan hak cipta
Artikel ini disusun berdasarkan tajuk pilihan dan ringkasan AI daripada API awam AIHOT, dengan sumber dinyatakan dan pautan balik disediakan; hak cipta teks asal milik media dan penulis asal, laman ini tidak menyalin penuh teks penuh.
Cara memetik
Apabila memetik artikel ini, kekalkan tajuk, tarikh dan pautan kekal, serta nyatakan sumber sebagai Orange News.
Orange News: Answer.AI lancar ReadBench: dedah kemerosotan prestasi ketara model bahasa visual dalam membaca imej teks panjang. 5 Jun 2025. https://new.nat6.net/ms/news/nqiq403r0cs6cekuujaxe5n7b/