TRIAD全模态歧义消解基准发布

Zhaolu Kang 等作者发布 TRIAD 基准，用于评测全模态歧义消解：共 327 条人工编写查询、86 个场景组、18 类歧义，每条为文本-图像-音频三元组，需三模态齐备才能唯一确定答案。 评测 14 个全模态系统显示，最佳模型组准确率仍落后人类超 20 分；移除选项后，模型组准确率降至个位数，人类依然稳健。留一法与转写/描述反事实实验表明，当前系统在文本与图像存在时往往未充分利用音频线索。

AI 根据报道生成 · 2 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。