複数の画像を扱うマルチモーダル大規模言語モデルの評価：MIBench

既存のマルチモーダル大規模言語モデル (MLLM) は、単一画像タスクでは優れた性能を発揮するものの、複数画像入力になると、きめ細かい認識、複数画像推論、文脈内学習能力など、大きな欠点がある。