研究人员开发了一个基准测试，以评估视觉-语言模型（VLM）在四种语言中使用空间指示表达（如“这个”和“那个”）的多语言能力。该研究侧重于这些模型如何在语言和视觉空间上进行联合推理，从而将上下文相关的引用锚定到图像的空间结构中。

  • 该基准测试测试VLM根据情境语境和特定于语言的空间差异选择适当的空间指示表达的能力。
  • 实验表明，被测模型使用指示代词的方式与人类不同，特别是在根据与物体的距离选择合适的指示代词方面。

这一评估突显了当前VLM在处理复杂空间推理任务方面与人类表现相比存在的具体差距。