邯郸网站建设效果好,网站视频主持,完整的网站建设平台协议书,教育公司网站建设文案本文也是LLM系列相关文章#xff0c;针对《MME: A Comprehensive Evaluation Benchmark for Multimodal Large Language Models》的翻译。 MME:一个多模态大型语言模型的综合评估基准 摘要1 引言2 MME评估套件3 实验4 分析5 结论 摘要
多模态大语言模型#xff08;MLLM针对《MME: A Comprehensive Evaluation Benchmark for Multimodal Large Language Models》的翻译。 MME:一个多模态大型语言模型的综合评估基准 摘要1 引言2 MME评估套件3 实验4 分析5 结论 摘要
多模态大语言模型MLLM依靠强大的LLM来执行多模态任务在最近的研究中显示出惊人的涌现能力例如基于图像写诗。然而这些案例研究很难完全反映MLLM的表现缺乏全面的评估。在本文中我们填补了这一空白提出了第一个MLLM评估基准MME。它测量了总共14个子任务的感知和认知能力。为了避免直接使用公共数据集进行评估可能导致的数据泄露指令-答案对的注释都是手动设计的。简洁的指令设计使我们能够公平地比较MLLM而不是在提示工程中苦苦挣扎。此外有了这样的指示我们也可以很容易地进行定量统计。在我们的MME上共对12种先进的MLLM进行了全面评估这不仅表明现有的MLLM仍有很大的改进空间而且揭示了后续模型优化的潜在方向。
1 引言
2 MME评估套件
3 实验
4 分析
我们总结了四个在很大程度上影响MLLMs性能的常见问题。第一个问题是没有遵循指令。尽管我们采用了非常简洁的指令设计但也有MLLM可以自由回答而不是遵循指令。例如如图4的第一行所示指令声称“请回答是或否”但MLLM只做了一个声明性表达式。如果在生成的语言的开头没有出现“是”或“否”则判断模型做出了错误的回答。我们认为一个好的MLLM尤其是在指令调整之后应该能够遵循这样一个简单的指令这在日常生活中也很常见。 第二个问题是缺乏认识。如图4的第二行所示MLLM错误识别了第一张图像中香蕉的数量并误读了第二张图像中的字符导致了错误的答案。我们注意到感知的表现容易受到指令的细微差别的影响因为同一图像的两个指令只在一个词上不同但会导致完全不同甚至矛盾的感知结果。 第三个问题是缺乏推理。在图4的第三行中我们可以从红色文本中看到MLLM已经知道第一个图像不是办公场所但仍然给出了“是”的错误答案。类似地在第二张图像中MLLM计算出了正确的算术结果但最终给出了错误的答案。这些现象表明在MLLM的推理过程中逻辑链是断裂的。添加CoT提示例如“让我们一步一步思考” 可能会产生更好的结果。我们期待着进一步深入的研究。 第四个问题是遵循指令的对象幻觉如图4第四行所示。当指令包含未出现在图像中的对象的描述时MLLM将假设该对象存在并最终给出“是”的答案。如表1、表2和表3所示这种不断回答“是”的情况导致大约50%的准确度和大约0的准确度。这表明迫切需要抑制幻觉社区应该考虑生成答案的可靠性。
5 结论
本文提出了第一个MLLM评估基准MME它在任务类型、数据源、指令设计和定量统计方面具有四个不同的特点。我们在MME上评估了12种先进的MLLMs实验结果表明仍有很大的改进空间。我们还总结了实验结果中提出的常见问题为MLLM的发展提供了有价值的指导。
