你看到你所想的?还是你想到你所看的?一个对GPT-4V(ision)、LLaVA-1.5和其他多模态模型具有挑战性的图像-上下文推理基准
Tianrui Guan*, Fuxiao Liu*, Xiyang Wu, Ruiqi Xian, Zongxia Li, Xiaoyu Liu, Xijun Wang, Lichang Chen, Furong Huang, Yaser Yacoob, Dinesh Manocha, Tianyi Zhou
🔥🔥🔥
🔥🔥🔥
大型语言模型(LLMs)在与视觉模型对齐并集成到视觉语言模型(VLMs)后,可以在图像推理任务中带来显著改进。这一点在最近发布的GPT-4V(ision)、LLaVA-1.5等模型中得到了证明。然而,这些最先进的LVLMs中强大的语言先验可能是一把双刃剑:它们可能忽视图像上下文,仅依赖(甚至是矛盾的)语言先验进行推理。相比之下,VLMs中的视觉模块比LLMs弱,可能导致误导性的视觉表示,然后被LLMs转化为自信的错误。为了研究这两类VLM错误,即语言幻觉和视觉错觉,我们策划了HallusionBench,这是一个即使对GPT-4V和LLaVA-1.5仍具有挑战性的图像-上下文推理基准。我们对HallusionBench中的示例进行了详细分析,这为VLMs的错觉或幻觉以及未来如何改进它们提供了新的见解。
如果您发现我们的论文有用,请引用我们的论文:
@misc{guan2023hallusionbench, title={HallusionBench: An Advanced Diagnostic Suite for Entangled Language Hallucination & Visual Illusion in Large Vision-Language Models}, author={Tianrui Guan and Fuxiao Liu and Xiyang Wu and Ruiqi Xian and Zongxia Li and Xiaoyu Liu and Xijun Wang and Lichang Chen and Furong Huang and Yaser Yacoob and Dinesh Manocha and Tianyi Zhou}, year={2023}, eprint={2310.14566}, archivePrefix={arXiv}, primaryClass={cs.CV} } @misc{liu2023mitigating, title={Mitigating Hallucination in Large Multi-Modal Models via Robust Instruction Tuning}, author={Fuxiao Liu and Kevin Lin and Linjie Li and Jianfeng Wang and Yaser Yacoob and Lijuan Wang}, year={2023}, eprint={2306.14565}, archivePrefix={arXiv}, primaryClass={cs.CV} } @misc{liu2023mmc, title={MMC: Advancing Multimodal Chart Understanding with Large-scale Instruction Tuning}, author={Fuxiao Liu and Xiaoyang Wang and Wenlin Yao and Jianshu Chen and Kaiqiang Song and Sangwoo Cho and Yaser Yacoob and Dong Yu}, year={2023}, eprint={2311.10774}, archivePrefix={arXiv}, primaryClass={cs.CL} }
为了保持评估简单,我们只提供是/否问题形式的问题。
更新日期 | 问题和注释 | 图像 | 问题数量 | 图像数量 |
---|---|---|---|---|
2023年10月27日 | [HallusionBench.json](https://github.com/tianyi-lab/HallusionBench/blob/main/./HallusionBench.json | hallusion_bench.zip | 254 | 69 |
git clone https://github.com/tianyi-lab/HallusionBench.git
cd ./HallusionBench
下载图像文件 hallusion_bench.zip 并将解压后的文件夹放在同一目录下。
问题和图像位置保存在 ./HallusionBench.json
中。数据样本如下:
{'category': 'VD', 'subcategory': 'illusion', 'visual_input': '1', 'set_id': '0', 'figure_id': '0', 'sample_note': 'circle', 'question_id': '0', 'question': 'Is the right orange circle the same size as the left orange circle?', 'gt_answer_details': 'The right orange circle is the same size as the left orange circle.', 'gt_answer': '1', 'filename': './hallusion_bench/VD/illusion/0_0.png'}
键 visual_input
表示问题是否需要图像等视觉输入。如果 visual_input=1
,表示问题需要视觉输入。如果 visual_input=0
,表示问题不需要视觉输入,仅为文本问题。
在 ./HallusionBench.json
上运行您的模型,并将输出文件保存为 ./HallusionBench_result.json
。您需要在 'model_prediction'
键中添加模型的输出。我们在这里提供了一个样本结果。
最后,运行以下代码进行评估:
python evaluation.py
您可以通过编辑此处的代码来使用自己的GPT4 API密钥进行评估。
我们已保存带有注释的GPT4V输出。将 HallusionBench.tsv
放在此仓库的根目录,或在 gpt4v_benchmark.py 中 设置 input_file_name
为 HallusionBench.tsv 文件的位置。
(可选)如果您无法访问GPT API,无需运行它,因为我们已保存评估结果。可以下载 视觉依赖 和 视觉补充 的结果。将json文件放在此仓库的根目录,或在 gpt4v_benchmark.py 中设置 save_json_path_vd
和 save_json_path_vd
为它们各自的位置。
运行 python gpt4v_benchmark.py
。
该仓库采用 BSD 3-Clause 许可证。
OpenAI Agents SDK,助力开发者便捷使用 OpenAI 相关功能。
openai-agents-python 是 OpenAI 推出的一款强大 Python SDK,它为开发者提供了与 OpenAI 模型交互的高效工具,支持工具调用、结果处理、追踪等功能,涵盖多种应用场景,如研究助手、财务研究等,能显著提升开发效率,让开发者更轻松地利用 OpenAI 的技术优势。
高分辨率纹理 3D 资产生成
Hunyuan3D-2 是腾讯开发的用于 3D 资产生成的强大工具,支持从文本描述、单张图片或多视角图片生成 3D 模型,具备快速形状生成能力,可生成带纹理的高质量 3D 模型,适用于多个领域,为 3D 创作提供了高效解决方案。
一个具备存储、管理和客户端操作等多种功能的分布式文件系统相关项目。
3FS 是一个功能强大的分布式文件系统项目,涵盖了存储引擎、元数据管理、客户端工具等多个模块。它支持多种文件操作,如创建文件和目录、设置布局等,同时具备高效的事件循环、节点选择和协程池管理等特性。适用于需要大规模数据存储和管理的场景,能够提高系统的性能和可靠性,是分布式存储领域的优质解决方案。
用于可扩展和多功能 3D 生成的结构化 3D 潜在表示
TRELLIS 是一个专注于 3D 生成的项目,它利用结构化 3D 潜在表示技术,实现了可扩展且多功能的 3D 生成。项目提供了多种 3D 生成的方法和工具,包括文本到 3D、图像到 3D 等,并且支持多种输出格式,如 3D 高斯、辐射场和网格等。通过 TRELLIS,用户可以根据文本描述或图像输入快速生成高质量的 3D 资产,适用于游戏开发、动画制作、虚拟现实等多个领域。
10 节课教你开启构建 AI 代理所需的一切知识
AI Agents for Beginners 是一个专为初学者打造的课程项目,提供 10 节课程,涵盖构建 AI 代理的必备知识,支持多种语言,包含规划设计、工具使用、多代理等丰富 内容,助您快速入门 AI 代理领域。
AI Excel全自动制表工具
AEE 在线 AI 全自动 Excel 编辑器,提供智能录入、自动公式、数据整理、图表生成等功能,高效处理 Excel 任务,提升办公效率。支持自动高亮数据、批量计算、不规则数据录入,适用于企业、教育、金融等多场景。
基于 UI-TARS 视觉语言模型的桌面应用,可通过自然语言控制计算机进行多模态操作。
UI-TARS-desktop 是一款功能强大的桌面应用,基于 UI-TARS(视觉语言模型)构建。它具备自然语言控制、截图与视觉识别、精确的鼠标键盘控制等功能,支持跨平台使用(Windows/MacOS),能提供实时反馈和状态显示,且数据完全本地处理,保障隐私安全。该应用集成了多种大语言模型和搜索方式,还可进行文件系统操作。适用于需要智能交互和自动化任务的场景,如信息检索、文件管理等。其提供了详细的文档,包括快速启动、部署、贡献指南和 SDK 使用说明等,方便开发者使用和扩展。
开源且先进的大规模视频生成模型项目
Wan2.1 是一个开源且先进的大规模视频生成模型项目,支持文本到图像、文本到视频、图像到视频等多种生成任务。它具备丰富的配置选项,可调整分辨率、扩散步数等参数,还能对提示词进行增强。使用了多种先进技术和工具,在视频和图像生成领域具有广泛应用前景,适合研究人员和开发者使用。
全流程 AI 驱动的数据可视化工具,助力用户轻松创作高颜值图表
爱图表(aitubiao.com)就是AI图表,是由镝数科技推出的一款创新型智能数据可视化平台,专注于为用户提供便捷的图表生成、数据分析和报告撰写服务。爱图表是中国首个在图表场景接入DeepSeek的产品。通过接入前沿的DeepSeek系列AI模型,爱图表结合强大的数据处理能力与智能化功能,致力于帮助职场人士高效处理和表达数据,提升工作效率和报告质量。
一款强大的视觉语言模型,支持图像和视频输入
Qwen2.5-VL 是一款强大的视觉语言模型,支持图像和视频输入,可用于多种场景,如商品特点总结、图像文字识别等。项目提供了 OpenAI API 服务、Web UI 示例等部署方式,还包含了视觉处理工具,有助于开发者快速集成和使用,提升工作效率。
最新AI工具、AI资讯
独家AI资源、AI项目落地
微信扫一扫关注公众号