仅仅看见还不够：视觉语言模型能够感知证据，却未能据此行动

英文标题：Seeing is not Enough: Vision-Language Models Perceive Evidence but Fail to Act

论文指出，视觉语言模型（VLM）在视觉问答基准测试中表现强劲，但其最终决策常常与已经正确识别出的视觉证据相矛盾。作者将这类问题区分为“感知失败”与其他决策层面的失败：前者是模型未能识别相关证据。研究强调，仅以视觉问答准确率衡量模型能力并不充分，还应评估模型能否将已感知到的证据一致地转化为行动或决策。该结论对需要可靠视觉推理与自主决策的 Agent、应用开发者及评测体系设计者具有重要意义。

2.1 KB 865 B 612 B 380 B 9.1 KB 32.7 KB 22.8 KB 24.2 KB 34.7 KB