BLINK: Los Modelos de Lenguaje Multimodales de Gran Escala Pueden Ver pero No Percibir

BLINK: Multimodal Large Language Models Can See but Not Perceive

April 18, 2024

Autores: Xingyu Fu, Yushi Hu, Bangzheng Li, Yu Feng, Haoyu Wang, Xudong Lin, Dan Roth, Noah A. Smith, Wei-Chiu Ma, Ranjay Krishna

cs.AI

Resumen

Presentamos Blink, un nuevo punto de referencia para modelos de lenguaje multimodal (LLMs) que se centra en habilidades fundamentales de percepción visual no abordadas en otras evaluaciones. La mayoría de las tareas de Blink pueden ser resueltas por humanos "en un abrir y cerrar de ojos" (por ejemplo, estimación de profundidad relativa, correspondencia visual, detección forense y razonamiento multivista). Sin embargo, encontramos que estas tareas que demandan percepción representan desafíos significativos para los LLMs multimodales actuales, ya que resisten la mediación a través del lenguaje natural. Blink reformatea 14 tareas clásicas de visión por computadora en 3,807 preguntas de opción múltiple, acompañadas de una o varias imágenes y sugerencias visuales. Mientras que los humanos obtienen un 95.70% de precisión en promedio, Blink resulta sorprendentemente desafiante para los LLMs multimodales existentes: incluso los mejores modelos, GPT-4V y Gemini, logran precisiones de 51.26% y 45.72%, solo 13.17% y 7.63% por encima de la elección aleatoria, lo que indica que tales habilidades de percepción aún no han "emergido" en los LLMs multimodales recientes. Nuestro análisis también destaca que los modelos especializados en visión por computadora podrían resolver estos problemas de manera mucho más efectiva, sugiriendo posibles vías para futuras mejoras. Creemos que Blink estimulará a la comunidad a ayudar a los LLMs multimodales a alcanzar el nivel de percepción visual humana.

English

We introduce Blink, a new benchmark for multimodal language models (LLMs) that focuses on core visual perception abilities not found in other evaluations. Most of the Blink tasks can be solved by humans "within a blink" (e.g., relative depth estimation, visual correspondence, forensics detection, and multi-view reasoning). However, we find these perception-demanding tasks cast significant challenges for current multimodal LLMs because they resist mediation through natural language. Blink reformats 14 classic computer vision tasks into 3,807 multiple-choice questions, paired with single or multiple images and visual prompting. While humans get 95.70% accuracy on average, Blink is surprisingly challenging for existing multimodal LLMs: even the best-performing GPT-4V and Gemini achieve accuracies of 51.26% and 45.72%, only 13.17% and 7.63% higher than random guessing, indicating that such perception abilities have not "emerged" yet in recent multimodal LLMs. Our analysis also highlights that specialist CV models could solve these problems much better, suggesting potential pathways for future improvements. We believe Blink will stimulate the community to help multimodal LLMs catch up with human-level visual perception.