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。
一键生成PPT和Word,让学习生活更轻松
讯飞智文是一个利用 AI 技术的项目,能够帮助用户生成 PPT 以及各类文档。无论是商业领域的市场分析报告、年度目标制定,还是学生群体的职业生涯规划、实习避坑指南,亦或是活动策划、旅游攻略等内容,它都能提供支持,帮助用户精准表达,轻松呈现各种信息。
深度推理能力全新升级,全面对标OpenAI o1
科大讯飞的星火大模型,支持语言理解、知识问答和文本创作等多功能,适用于多种文件和业务场景,提升办公和日常生活的效率。讯飞星火是一个提供丰富智能服务的平台,涵盖科技资讯、图像创作、写作辅助、编程解答、科研文献解读等功能,能为不同需求的用户提供便捷高效的帮助,助力用户轻松获取信息、解决问题,满足多样化使用场景。
一种基于大语言模型的高效单流解耦语音令牌文本到语音合成模型
Spark-TTS 是一个基于 PyTorch 的开源文本到语音合成项目,由多个知名机构联合参与。该项目提供了高效的 LLM(大语言模型)驱动的语音合成方案,支持语音克隆和语音创建功能,可通过命令行界面(CLI)和 Web UI 两种方式使用。用户可以根据需求调整语音的性别、音高、速度等参数,生成高质量的语音。该项目适用于多种场景,如有声读物制作、智能语音助手开发等。
字节跳动发布的AI编程神器IDE
Trae是一种自适应的集成开发环境(IDE),通过自动化和多元协作改变开发流程。利用Trae,团队能够更快速、精确地编写和部署代码,从而提高编程效率和项目交付速度。Trae具备上下文感知和代码自动完成功能,是提升开发效率的理想工具。
AI助力,做PPT更简单!
咔片是一款轻量化在线演示设计工具,借助 AI 技术,实现从内容生成到智能设计的一站式 PPT 制作服务。支持多种文档格式导入生成 PPT,提供海量模板、智能美化、素材替换等功能,适用于销售、教师、学生等各类人群,能高效制作出高品质 PPT,满足不同场景演示需求。
选题、配图、成文,一站式创作,让内容运营更高效
讯 飞绘文,一个AI集成平台,支持写作、选题、配图、排版和发布。高效生成适用于各类媒体的定制内容,加速品牌传播,提升内容营销效果。
专业的AI公文写作平台,公文写作神器
AI 材料星,专业的 AI 公文写作辅助平台,为体制内工作人员提供高效的公文写作解决方案。拥有海量公文文库、9 大核心 AI 功能,支持 30 + 文稿类型生成,助力快速完成领导讲话、工作总结、述职报告等材料,提升办公效率,是体制打工人的得力写作神器。
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。
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