Hugging Face Blog·· 2024-03-05AI 评分40
ConTextual：评估多模态模型在文本丰富场景下的联合推理能力
Introducing ConTextual: How well can your Multimodal model jointly reason over text and image in text-rich scenes?
AI 导读
UCLA 研究人员发布 ConTextual 数据集，用于评估多模态模型在文本丰富场景下的联合推理能力。该数据集包含 506 条指令，涵盖时间阅读、导航等 8 个场景。实验显示 GPT-4V 表现最佳，但开源模型如 LLaVA-v1.5-13B 和 ShareGPT4V-7B 仍存在显著差距。
来源：Hugging Face Blog · huggingface.co