VisualNeedle Benchmark Espone le Scorciatoie Visive degli MLLM

I ricercatori hanno introdotto VisualNeedle, un benchmark progettato per testare la ricerca visiva attiva nei modelli linguistici multimodali di grandi dimensioni (MLLM). Il benchmark si concentra su scene in cui le prove critiche sono spazialmente limitate e ricche di informazioni, sfidando i modelli a fare affidamento su un'elaborazione visiva genuina piuttosto che su scorciatoie. Studi precedenti hanno identificato tre scorciatoie comuni: pregiudizi linguistici e indizi lessicali nelle domande, semantica globale grossolana da encoder visivi che bypassano i dettagli fini, e corruzione di immagini intermedie che influenzano a malapena le risposte in alcuni benchmark. VisualNeedle mira ad affrontare questi problemi richiedendo una percezione a grana fine che va oltre l'alta risoluzione o ampi pool di domande. Il lavoro è pubblicato su arXiv con identificativo 2605.26380.