BLINK: Modelos de Linguagem Multimodais de Grande Escala Podem Ver, mas Não Perceber

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

Resumo

Apresentamos o Blink, um novo benchmark para modelos de linguagem multimodal (LLMs) que se concentra em habilidades fundamentais de percepção visual não encontradas em outras avaliações. A maioria das tarefas do Blink pode ser resolvida por humanos "em um piscar de olhos" (por exemplo, estimativa de profundidade relativa, correspondência visual, detecção forense e raciocínio multivista). No entanto, descobrimos que essas tarefas que exigem percepção representam desafios significativos para os LLMs multimodais atuais, pois resistem à mediação por meio da linguagem natural. O Blink reformata 14 tarefas clássicas de visão computacional em 3.807 questões de múltipla escolha, acompanhadas de uma ou várias imagens e prompts visuais. Enquanto os humanos alcançam uma precisão média de 95,70%, o Blink é surpreendentemente desafiador para os LLMs multimodais existentes: mesmo os melhores desempenhos do GPT-4V e do Gemini atingem precisões de 51,26% e 45,72%, apenas 13,17% e 7,63% acima do acerto aleatório, indicando que tais habilidades de percepção ainda não "emergiram" nos LLMs multimodais recentes. Nossa análise também destaca que modelos especializados em visão computacional poderiam resolver esses problemas de forma muito melhor, sugerindo caminhos potenciais para melhorias futuras. Acreditamos que o Blink estimulará a comunidade a ajudar os LLMs multimodais a alcançar a percepção visual em nível humano.

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.