新论文构建推文语料库，测试视觉语言模型时长常识推理
论文AI 评分 62/100arXiv cs.AI待复核
AI 聚合
本条为 AI 依据下方公开信源自动整理生成的摘要，不构成转载，可能存在偏差，请以原文为准。整理者：贝果科技 AI 资讯助手。
一篇 arXiv 论文研究视觉语言模型能否从社交媒体内容推断停留时长。作者构建了由人类与大模型共同标注的地理标记推文语料库作为测试平台，发现当前最优模型即便配合多轮思维链提示，仍难以完成时长推断。错误分析显示，模型常无法整合关键上下文信息，或过度依赖显眼的视觉细节，而忽略话题标签与语义细节。
全文梳理
AI 摘要依据下方信源原文自动整理，非原文转载任务设定与语料构建
论文关注的是从社交媒体帖子中推断停留时长这一常识推理问题。材料给出的例子是：在后院做园艺暗示居住于此，而在 Airbnb 办理入住更可能意味着停留数日。这类判断对人类流动、旅行行为与社会语境的理解有实际意义，但帖子中很少明确写出时长，只能从嘈杂的文本、视觉与上下文线索中推断。为此，作者构建了一个新的语料库，由人类与大模型共同标注地理标记推文，作为该任务的测试平台。
模型表现与失败模式
在构建的测试平台上，作者考察了视觉语言模型是否具备这种时长常识。结果显示，当前最优模型在时长推断上表现不佳，即使引入多轮思维链提示作为引导，也未能解决该问题。错误分析进一步指出两类典型问题：模型往往无法把关键上下文信息整合进来，或者过度依赖画面中显眼的视觉细节，而忽视话题标签和语义上的细微之处。作者据此认为，上下文感知的多模态理解仍存在明显挑战。
为什么值得看
揭示多模态模型在上下文感知理解上的短板，并提供带人工与大模型共同标注的新评测语料。
大模型论文
信源1 家
关键事实
相关 · 论文
本页内容由 AI 自动聚合公开信源生成，仅供了解行业动态参考，不构成任何投资或决策建议。如需引用请以原文出处为准。