Il Test-Time Matching Potenzia il Ragionamento Composizionale nei Modelli AI Multimodali

Uno studio recente pubblicato su arXiv indica che modelli AI avanzati come SigLIP-B16 e GPT-4.1 possono superare i benchmark precedenti e persino le stime delle capacità umane in compiti di ragionamento composizionale, sfidando precedenti affermazioni di prestazioni quasi casuali. I ricercatori sottolineano che le metriche di valutazione convenzionali spesso non riescono a valutare accuratamente le capacità dei modelli. Presentano un punteggio di corrispondenza di gruppo che fornisce una valutazione delle prestazioni più affidabile e dimostrano che i risultati di questa nuova metrica possono essere adattati alle metriche esistenti attraverso un semplice processo di overfitting. Questa modifica consente a SigLIP-B16 di superare tutti i benchmark precedenti, mentre GPT-4.1 ottiene il primo risultato che supera le stime delle prestazioni umane sul benchmark Winoground. Inoltre, introducono il Test-Time Matching (TTM), un algoritmo iterativo che migliora autonomamente le prestazioni del modello, producendo ulteriori miglioramenti significativi.