新闻 · arXiv cs.AI

十年视觉语言 AI 模型的准确率与视觉认知错误演进

视觉语言模型在过去十年的视觉推理能力显著提升，但常用评测多依赖简单场景，难以体现复杂人类互动与行为。研究提出包含 100 张复杂社会互动图像的 CSB 数据集，对 2017 至 2025 年间的九类模型及 20 组人类描述进行评估，并分析目标检测、识别、幻觉、场景理解和空间依赖五类视觉认知错误。