Multimodal Language Models に関する報道

標準の画像認識におけるマルチモーダル モデルのほぼ完璧なパフォーマンスは、その機能の本質的な欠陥を覆い隠します。テストが単純な視覚的マッチングからプロセス導出と文化的帰属に移行すると、モデルの精度は急激に低下します。これは、現在のモデルが真の異文化間の常識的推論能力ではなく、視覚的特徴の統計的相関関係のみを把握していることを示しています。