IXThinker·2025-04-19 22:10

哈工大GiVE破解AI視覺選擇性失明

多模態大模型看似能理解圖像，實則像戴着眼罩的觀察者，只關注最顯眼主體。哈工大（深圳）博士生李俊劼的成果GiVE實現指令驅動的全景式感知，破解這一「選擇性失明」。

缺陷剖析

當今BLIP-2、LLaVA等模型被問及「圖中左側的單車」或「背景廣告牌上的文字」時，常因視覺編碼器的視野局限而答非所問，或誤判對象位置，或完全忽略非顯著資訊。