跳到正文
arXiv · NLP· Yin Liu·· 11 天前AI 评分29

多模态LLM图理解失败归因:感知与计数复杂度分离分析

Seeing vs. Counting: Complexity Twins Show Where Multimodal LLMs Fail on Diagrams

AI 导读

研究通过区分感知与计数复杂度,揭示多模态LLM在图示任务中失败的根源。针对Gemini等模型,思维链模式下错误率主要受答案数值量级驱动(每十进制数下降2.38倍)。提供代码与转录后,10x10网格计数正确,但单次阅读易漏横向边;结合旋转副本二次读取,大网格精确识别率达86/96。

来源:arXiv · NLP · arxiv.org