Verwirrt von Rätseln: Wenn Vision-Sprache-Modelle keine Hinweise verstehen
Puzzled by Puzzles: When Vision-Language Models Can't Take a Hint
May 29, 2025
Autoren: Heekyung Lee, Jiaxin Ge, Tsung-Han Wu, Minwoo Kang, Trevor Darrell, David M. Chan
cs.AI
Zusammenfassung
Rebus-Rätsel, visuelle Rätsel, die Sprache durch Bildsprache, räumliche Anordnung und symbolische Substitution kodieren, stellen eine einzigartige Herausforderung für aktuelle Vision-Language-Modelle (VLMs) dar. Im Gegensatz zu traditionellen Aufgaben wie Bildbeschreibung oder Fragebeantwortung erfordert das Lösen von Rebus-Rätseln multimodale Abstraktion, symbolisches Denken sowie ein Verständnis für kulturelle, phonetische und linguistische Wortspiele. In diesem Artikel untersuchen wir die Fähigkeit zeitgenössischer VLMs, Rebus-Rätsel zu interpretieren und zu lösen, indem wir einen manuell erstellten und annotierten Benchmark mit vielfältigen englischsprachigen Rebus-Rätseln erstellen, die von einfachen bildhaften Substitutionen bis hin zu räumlich abhängigen Hinweisen (z. B. „head“ über „heels“) reichen. Wir analysieren, wie verschiedene VLMs abschneiden, und unsere Ergebnisse zeigen, dass VLMs zwar überraschende Fähigkeiten beim Entschlüsseln einfacher visueller Hinweise aufweisen, jedoch erheblich mit Aufgaben kämpfen, die abstraktes Denken, laterales Denken und das Verständnis visueller Metaphern erfordern.
English
Rebus puzzles, visual riddles that encode language through imagery, spatial
arrangement, and symbolic substitution, pose a unique challenge to current
vision-language models (VLMs). Unlike traditional image captioning or question
answering tasks, rebus solving requires multi-modal abstraction, symbolic
reasoning, and a grasp of cultural, phonetic and linguistic puns. In this
paper, we investigate the capacity of contemporary VLMs to interpret and solve
rebus puzzles by constructing a hand-generated and annotated benchmark of
diverse English-language rebus puzzles, ranging from simple pictographic
substitutions to spatially-dependent cues ("head" over "heels"). We analyze how
different VLMs perform, and our findings reveal that while VLMs exhibit some
surprising capabilities in decoding simple visual clues, they struggle
significantly with tasks requiring abstract reasoning, lateral thinking, and
understanding visual metaphors.