視覚言語モデルの10年進化、精度向上と残存エラー
arXiv cs.CVは7月10日(現地時間)、Shravan Murlidaran氏とMiguel P. Eckstein氏の研究チームが、過去10年間の視覚言語モデル (VLM) の精度向上と視覚認知エラーの進化に関する研究結果を発表した。同研究は、従来のデータセットに加え、新たにComplex Social Behavior (CSB) データセットを導入。その結果、Multimodal Large Language Models (MLLM) が前世代モデルと比較して人間の描写と同程度の精度を達成しつつも、特定の空間依存性エラーが残存していることが示された。VLM評価・採用者は、この残存エラータイプを考慮した性能検証が重要となると見られる。