arXiv · AI· Siddharth Vohra, Min Xu·· 2 天前AI 评分40
视觉语言模型何时该放大?七家模型小物体细节测试分析
Know When to Zoom: How Small Is Too Small for Vision-Language Models?
AI 导读
在线视觉语言模型常因图像缩放或拒绝导致小物体细节丢失,测试显示默认设置下可读最小文本像素阈值显著增大。 将照片分九块可提升 Claude 和 Gemini 准确率 11.1 至 14.5 个百分点,GPT-6.1 Sol 从 50.7% 升至 83.7%。 Gemini 在细节缺失时自信错答率达 43% 至 48%,研究据此发布智能体放大决策规则。
来源:arXiv · AI · arxiv.org