给我看例子：从图像集合中推断视觉概念

苹果提出视觉概念推断任务VICIS，测试模型从图像集合中推断共享概念并应用于新输入的能力，发现当前最先进VLM表现不佳。

• VICIS任务：给定少量共享概念的示例图像和一张查询图像，模型需生成保留概念且与查询一致的新图像。
• 实验表明，现有视觉语言模型（VLM）难以从纯视觉上下文中推理概念，依赖文本指令而忽视视觉示例。
• 该任务揭示了VLM在视觉推理上的短板，为改进模型提供了明确方向。
• 影响/看点：VICIS为评估和提升VLM的视觉概念学习能力设立了新基准，可能推动模型从“文本跟随”向“视觉理解”进化。

本内容由 AI 生成，仅供参考，请注意甄别