BLINK : Les grands modèles de langage multimodaux peuvent voir mais pas percevoir

BLINK: Multimodal Large Language Models Can See but Not Perceive

April 18, 2024

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

cs.AI

Résumé

Nous présentons Blink, un nouveau benchmark pour les modèles de langage multimodaux (LLMs) qui se concentre sur les capacités fondamentales de perception visuelle absentes des autres évaluations. La plupart des tâches de Blink peuvent être résolues par les humains "en un clin d'œil" (par exemple, l'estimation de la profondeur relative, la correspondance visuelle, la détection de falsifications et le raisonnement multi-vues). Cependant, nous constatons que ces tâches exigeantes en perception posent des défis significatifs aux LLMs multimodaux actuels, car elles résistent à la médiation par le langage naturel. Blink reformate 14 tâches classiques de vision par ordinateur en 3 807 questions à choix multiples, associées à une ou plusieurs images et à des invites visuelles. Alors que les humains obtiennent une précision moyenne de 95,70 %, Blink s'avère étonnamment difficile pour les LLMs multimodaux existants : même les meilleurs modèles, GPT-4V et Gemini, atteignent des précisions de 51,26 % et 45,72 %, seulement 13,17 % et 7,63 % supérieures à une réponse aléatoire, indiquant que ces capacités de perception n'ont pas encore "émergé" dans les LLMs multimodaux récents. Notre analyse souligne également que les modèles spécialisés en vision par ordinateur pourraient résoudre ces problèmes bien mieux, suggérant des voies potentielles d'amélioration future. Nous croyons que Blink stimulera la communauté à aider les LLMs multimodaux à rattraper le niveau de perception visuelle humaine.

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.