Модель BLINK: мультимодальные большие языковые модели могут видеть, но не воспринимать.

BLINK: Multimodal Large Language Models Can See but Not Perceive

April 18, 2024

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

cs.AI

Аннотация

Мы представляем Blink, новый бенчмарк для мультимодальных языковых моделей (LLM), который фокусируется на основных визуальных способностях восприятия, отсутствующих в других оценках. Большинство задач Blink могут быть решены людьми "мгновенно" (например, оценка относительной глубины, визуальная корреспонденция, обнаружение фальсификаций и многоплановое рассуждение). Однако мы обнаружили, что эти требующие восприятия задачи представляют существенные вызовы для текущих мультимодальных LLM, поскольку они сопротивляются посредничеству через естественный язык. Blink преобразует 14 классических задач компьютерного зрения в 3 807 вопросов с выбором из нескольких вариантов ответа, сопровождаемых одним или несколькими изображениями и визуальными подсказками. В то время как люди в среднем достигают точности 95,70%, Blink оказывается удивительно сложным для существующих мультимодальных LLM: даже лучшие модели GPT-4V и Gemini достигают точностей 51,26% и 45,72%, всего на 13,17% и 7,63% выше случайного угадывания, что указывает на то, что такие способности восприятия еще не "проявились" в недавних мультимодальных LLM. Наш анализ также подчеркивает, что специализированные модели компьютерного зрения могли бы решать эти проблемы значительно лучше, что указывает на потенциальные пути для будущих улучшений. Мы считаем, что Blink стимулирует сообщество помочь мультимодальным LLM догнать уровень визуального восприятия человека.

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.