視覚的な微妙な違いを検出し、記述し、識別する: VQAを超えるMLLM評価へ

マルチモーダル大規模言語モデル(MLLM)は、極めて類似した画像間の微細な視覚的違いを独立して検出し、それを記述することが困難である。