大規模視覚言語モデルの多様なマルチタスク能力を包括的に評価するMMT-Benchベンチマーク

MMT-Benchは、大規模視覚言語モデルの専門知識を必要とする複雑な視覚認識、ローカリゼーション、推論、計画タスクを包括的に評価するための新しいベンチマークである。