新语料库显示视觉语言模型难以从帖子推断停留时长
资讯摘要
论文研究视觉语言模型是否具备时长常识，即从社交媒体帖子推断用户是离开、停留还是居住在当地。作者构建了由人类与大模型共同标注的带地理标签推文语料库作为测试平台，发现当前最优模型即使采用多轮思维链提示也难以完成时长推断。错误分析显示，模型常无法整合关键上下文信息，或过度依赖显著视觉细节而忽略话题标签与语义细节。
要点速读
- 论文构建了人类与大模型共同标注的带地理标签推文语料库，用于时长常识推断任务
- 作者报告当前最优模型即使经多轮思维链提示引导，仍难以推断停留时长
- 错误分析指出模型常无法整合关键上下文，或过度依赖视觉细节而忽略话题标签等线索
中文摘要由 AI 根据公开来源生成，可能存在理解偏差；具体能力、数字、开放时间等信息请以原文为准。
采集于 2026/10/31 08:00:18（北京时间）。 arXiv 日期为本次公告时间，论文初次投稿日期请查看原文版本记录。