多模态LLM视觉推理能力堪忧，浙大领衔用GPT-4合成数据构建多模态基准

浙江大学等机构的研究人员发现，即使是先进的语言模型，在视觉推理方面仍显不足。为此，他们创建了一个新的多模态视觉推理基准，并通过创新的数据合成方法，利用GPT-4-Turbo自动生成图像和问题。测试显示，顶级模型的表现远不及人类，但在合成数据微调后有了显著提升。
来源：https://mp.weixin.qq.com/s/lebsZgdlp3iJRSaMXc5COg