BLINK: Multimodale Large Language Models Kunnen Zien maar Niet Waarnemen

Samenvatting

We introduceren Blink, een nieuwe benchmark voor multimodale taalmodellen (LLMs) die zich richt op kernvaardigheden voor visuele perceptie die niet voorkomen in andere evaluaties. De meeste Blink-taken kunnen door mensen "in een oogwenk" worden opgelost (bijvoorbeeld relatieve diepteschatting, visuele correspondentie, forensische detectie en multi-view redenering). We constateren echter dat deze perceptie-intensieve taken aanzienlijke uitdagingen vormen voor huidige multimodale LLMs, omdat ze zich moeilijk laten bemiddelen via natuurlijke taal. Blink herformuleert 14 klassieke computervisietaken tot 3.807 meerkeuzevragen, gekoppeld aan één of meerdere afbeeldingen en visuele prompting. Terwijl mensen gemiddeld een nauwkeurigheid van 95,70% behalen, blijkt Blink verrassend uitdagend voor bestaande multimodale LLMs: zelfs de best presterende GPT-4V en Gemini behalen nauwkeurigheden van respectievelijk 51,26% en 45,72%, slechts 13,17% en 7,63% hoger dan willekeurig gokken, wat aangeeft dat dergelijke perceptievaardigheden nog niet zijn "ontstaan" in recente multimodale LLMs. Onze analyse benadrukt ook dat gespecialiseerde CV-modellen deze problemen veel beter kunnen oplossen, wat potentiële verbeteringsroutes suggereert voor de toekomst. We geloven dat Blink de gemeenschap zal stimuleren om multimodale LLMs te helpen inlopen op het niveau van menselijke visuele perceptie.

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.

BLINK: Multimodale Large Language Models Kunnen Zien maar Niet Waarnemen

BLINK: Multimodal Large Language Models Can See but Not Perceive

Samenvatting

Support