BLINK: I Modelli Linguistici Multimodali di Grande Dimensione Possono Vedere ma Non Percepire

BLINK: Multimodal Large Language Models Can See but Not Perceive

April 18, 2024

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

cs.AI

Abstract

Presentiamo Blink, un nuovo benchmark per modelli linguistici multimodali (LLM) che si concentra sulle abilità fondamentali di percezione visiva non presenti in altre valutazioni. La maggior parte dei compiti di Blink può essere risolta dagli esseri umani "in un batter d'occhio" (ad esempio, stima della profondità relativa, corrispondenza visiva, rilevamento forense e ragionamento multi-vista). Tuttavia, scopriamo che questi compiti ad alta richiesta percettiva rappresentano sfide significative per gli attuali LLM multimodali, poiché resistono alla mediazione attraverso il linguaggio naturale. Blink riformatta 14 classici compiti di computer vision in 3.807 domande a scelta multipla, abbinate a una o più immagini e prompt visivi. Mentre gli esseri umani ottengono una precisione media del 95,70%, Blink si rivela sorprendentemente impegnativo per gli attuali LLM multimodali: anche i migliori GPT-4V e Gemini raggiungono precisioni del 51,26% e 45,72%, solo il 13,17% e il 7,63% in più rispetto a un'ipotesi casuale, indicando che tali abilità percettive non sono ancora "emerse" nei recenti LLM multimodali. La nostra analisi evidenzia inoltre che i modelli specializzati di computer vision potrebbero risolvere questi problemi in modo molto migliore, suggerendo potenziali percorsi per miglioramenti futuri. Crediamo che Blink stimolerà la comunità a aiutare gli LLM multimodali a raggiungere la percezione visiva di livello umano.

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.