【综述专栏】最新《多模态大规模语言模型基准》综述

文章预览

在 科 学 研 究 中 ， 从 方 法 论 上 来 讲 ， 都 应 “ 先 见 森 林 ， 再 见 树 木 ” 。 当 前 ， 人 工 智 能 学 术 研 究 方 兴 未 艾 ， 技 术 迅 猛 发 展 ， 可 谓 万 木 争 荣 ， 日 新 月 异 。 对 于 A I 从 业 者 来 说 ， 在 广 袤 的 知 识 森 林 中 ， 系 统 梳 理 脉 络 ， 才 能 更 好 地 把 握 趋 势 。 为 此 ， 我 们 精 选 国 内 外 优 秀 的 综 述 文 章 ， 开 辟 “ 综 述 专 栏 ” ， 敬 请 关 注 。 多模态大规模语言模型（MLLMs）因其在视觉问答、视觉感知、理解与推理等多种应用中的出色表现，在学术界和工业界日益受到关注。近年来，研究人员从多个角度对 MLLMs 进行了深入研究。 本文对180个 MLLMs 的基准和评估进行了全面综述，重点探讨了以下几个方面：(1) 感知与理解，(2) 认知与推理，(3) 特定领域，(4) 关键能力，以及 (5) 其他模态 。最后，我 ………………………………