多模态理解

研究者推出首个面向Word、Excel、PowerPoint原生格式的综合性基准OCB，测试显示当前最强模型在专业领域问答中仅获59.3%准确率。

研究团队推出LaViSA基准，专门评估视觉语言模型利用视觉场景解决句子结构歧义的能力，实验发现现有模型在部分歧义类型和视觉语义细微差异上仍存在局限。