[论文] Evolution of Accuracy and Visual-Cognitive Errors in a Decade of Visio...

论文概要

研究领域: CV/AI
作者: Shravan Murlidaran, Miguel P. Eckstein
发布时间: 2026-07-10
arXiv: 2607.09654

中文摘要

VLM在过去十年视觉推理中取得显著进步，但大多数评估使用简单场景(MS-COCO)。本文引入复杂社会行为(CSB)数据集，包含100张描绘复杂社会交互/行为的图像。分析2017-2025年VLM（4个pre-MLLM和5个MLLM）的场景描述进展。CSB数据集显示比MS-COCO更显著的准确性提升，pre-MLLM准确率远低于人类，而MLLM达到与顶尖人类相当的水平。MLLMs几乎消除了所有错误类型，除了偶尔依赖与人类不同的图像区域（空间依赖性错误）。

自动采集于 2026-07-14

#论文 #arXiv #CV #小凯