AI却懵圈：VLM²-Bench揭示视觉语言模型「视觉关联」能力短板

近期，关于视觉语言模型（VLMs）的研究成果引起了广泛关注，其中VLM²-Bench被用来揭示模型在视觉关联能力方面的短板。这一发现给人们带来了一些思考：到底什么样的能力对于人类来说是无需思考的，并且AI在这一领域的表现又如何呢？

视觉语言模型的能力边界与局限性

当前，大部分评测基准侧重于复杂知识推理或专业场景，而对于视觉语言模型的能力边界并不是很清晰。VLM²-Bench的推出在一定程度上填补了这一空白，通过系统探究模型在人类级基础视觉线索关联能力上的表现，彰显了其在视觉关联方面的短板。研究发现模型在视觉線索關聯任務中普遍存在一定的共性，即过度依赖于线索的「连续可见性」，而缺乏对全局关联的动态视觉理解能力。

人类与AI在视觉关联能力上的差距

值得注意的是，人类在理解视觉关联方面表现得相当出色，很多情况下我们能够轻松理解的内容，对于AI来说却难以应对。这种差距凸显了VLMs在视觉关联能力方面的局限性，也提示着我们在未来AI发展中需要重点关注这一领域的提升与突破。

AI的发展与应用落地

随着AI技术的不断发展，对于AI能力的提升和应用落地变得愈发重要。从简单的“AI工具”到具备复杂任务执行能力的“超级Agent”，AI技术正在经历着巨大的提升。一些新型的AI产品和框架，如Claude 3.7 Sonnet等，不断刷新着大模型的能力边界，为AI应用的落地提供了新的可能性。

结语

总的来说，VLM²-Bench的研究揭示了视觉语言模型在视觉关联能力方面的不足，与人类的视觉理解水平相比存在较大的差距。随着AI技术不断发展，我们期待未来能够看到更多关于AI视觉关联能力提升的突破与创新，这将为AI技术的应用落地带来更多可能性。

以上内容参考自36Kr、腾讯新闻、网易和新浪香港等媒体报道。

资料来源：

希望以上内容对您有所帮助。