高解析度真實世界場景下多模態大型語言模型的挑戰

即使是最先進的多模態大型語言模型,在高解析度真實世界場景的挑戰性任務中也難以達到60%的準確率,感知高解析度圖像和理解複雜的真實世界場景仍是亟待解決的問題。