arXiv · cs.AI· Zhenyu Zhao, Nanshan Jia, Jihyeon Je, Yifu Tang, Alvin Chan, Michael Spedden, Michael V. Palleschi, Sui Huang, Jingshen Wang, Zeyu Zheng·· 1 天前
3D-DefectBench：视觉语言模型评估流程在细粒度3D生成缺陷评测中的受控因子研究
3D-DefectBench: A Controlled Factorial Study of Vision-Language Model Evaluation Pipelines for Fine-Grained 3D Generation Defects
arXiv:2607.10826v2阅读论文 PDF ↗
仅依据论文摘要整理；未读取全文，实验条件、证明与基准细节请核对原文。
作者：Zhenyu Zhao, Nanshan Jia, Jihyeon Je, Yifu Tang, Alvin Chan, Michael Spedden, Michael V. Palleschi, Sui Huang, Jingshen Wang, Zeyu Zheng
研究任务与主要进展
3D-DefectBench提出一个用于分析视觉语言模型评估流程的基准，覆盖几何、纹理和提示遵循度的九类细粒度二元缺陷，并在84种推理设计中改变模型、相机协议、视觉输入和提示结构。结果显示，模型选择是与人工标签一致性波动的主要来源，六视图RGB协议的表现可与更密集视图及加入深度或法线通道的配置相当；在固定设计下，12个视觉语言模型中的最佳者仍落后于受训人工标注者。
阶段、条件与复现 · 深读核对
- 新能力对应什么具体任务与最小输入输出？
- 代码、模型、数据、许可与可用入口是否明确？
- 效果、总成本、失效条件与实际工作流如何验证？
这些是阅读核对问题；材料未说明的条件保留未知。请结合上方论文版本、资料范围与原文核验。
来源：arXiv · cs.AI · arxiv.org