Articles sur Multimodal Language Models

Les performances quasi parfaites des modèles multimodaux sur la reconnaissance d’images standard masquent les défauts essentiels de leurs capacités. Lorsque le test passe de la simple correspondance visuelle à la dérivation de processus et à l’attribution culturelle, la précision du modèle diminue fortement. Cela montre que le modèle actuel ne saisit que la corrélation statistique des caractéristiques visuelles, plutôt que la véritable capacité de raisonnement interculturel de bon sens.