多模态大语言模型会像人类一样报告双稳态图像吗？

英文标题：(How) Do MLLMs Report Bistable Images Like Humans?

该论文研究多模态大语言模型（MLLM）如何理解鸭兔图等双稳态图像。此类图像可支持多个彼此不兼容的解释，而人类通常一次只会报告其中一种感知结果。作者据此考察 MLLM 是否表现出与人类相似的图像解释与报告特征。该研究可能有助于评估多模态模型的视觉感知、歧义处理与类人认知能力。

2.1 KB 612 B 380 B 9.1 KB 32.7 KB 22.8 KB 24.2 KB 34.7 KB