CSS框架量化物体语义重要性，对比VLM与人类场景理解

Ziqi Wen、Parsa Madinei 和 Miguel P. Eckstein 在 arXiv 上提出黑盒、模型无关的反事实语义显著性（CSS）框架，通过从场景中因果消融物体并测量由此引起的语义变化，量化各物体在视觉语言模型（VLM）场景理解中的重要性。 作者用 CSS 将多款主流 VLM 与人类心理物理学基线对比，该基线覆盖 307 个复杂自然场景、1,306 个高保真反事实变体、共 16,603 条有效回答。代码和数据已在 GitHub 发布。

AI 根据报道生成 · 1 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。