跳到正文
热点事件持续更新

研究测量VLM读取大图小细节并提出五条放大规则

1 篇报道1 个报道来源2 小时前更新

先了解这件事

AI 综述

Siddharth Vohra 与 Min Xu 发布 arXiv 论文(arXiv:2611.22709),测量四个厂商七个在线视觉语言模型对大图小细节的读取能力,并总结出五条判断何时应放大的规则,同时公开测试题、全部模型答案和代码。 测试用印刷编码“视力表”和 601 道关于真实照片中小物体的问题。结果显示细节丢失明显:8000×6000 无人机照片中 20 像素宽的物体传到 Claude 处只剩约 6 像素;OpenAI 默认设置下部分照片会直接拒收。 论文称,把每张照片切成最多九块再处理,可使 Claude 和 Gemini 的准确率提高 11.1 到 14.5 个百分点,并通过避免拒收将 GPT-6.1 Sol 从 50.7% 提升到 83.7%。

AI 根据报道生成 · 2 小时前更新

报道时间线

沿着报道,了解事件的不同侧面。

11月19日
  1. arXiv cs.AI
    研究测量七个视觉语言模型读取大图小细节的能力并给出何时放大的五条规则

    arXiv 论文 arXiv:2611.22709 测量四个厂商七个在线视觉语言模型对大图小细节的读取能力,发现 8000×6000 无人机照片中 20 像素宽的物体到 Claude 处只剩约 6 像素,OpenAI 默认设置会直接拒收。

本事件热度走势

还没有足够的连续观测数据,暂不绘制趋势。