arXiv AI· Siddharth Vohra, Min Xu·· 21 小时前评分57
Know When to Zoom: How Small Is Too Small for Vision-Language Models?
摘要
在线视觉语言模型常因服务在处理大图像前缩小或拒绝图像而遗漏小细节。一辆在无人机照片中宽 20 像素的汽车,实际在开放AI的默认设置下被直接拒绝。我们通过打印代码的视觉检查和 601 个关于真实照片中小物体的问题,测量了七种模型从四个供应商中保留的细节量。
推荐理由
请对照arXiv AI原文,核对完整说明及适用条件。
本站只提供摘要与原文入口。完整内容请阅读原文。
来源:arXiv AI · arxiv.org