مدلهای زبانی-تصویری (VLM) در تحلیلهای معنایی فوقالعادهاند، اما وقتی پای «فیزیک نور» و «تصویربرداری محاسباتی» وسط میآید، اوضاع چطور است؟
محققان به تازگی بنچمارک جدیدی به نام ImagingBench معرفی کردهاند تا توانایی مدلهایی مثل GPT، Gemini و Qwen را در حل مسائل پیچیده فیزیکی (مثل هولوگرافی و اپتیک) بسنجند. نتیجه جالب و کمی ناامیدکننده است: با وجود خروجیهای بصری فریبنده، این مدلها هنوز در درک اصول فیزیکی و دقت محاسباتی از روشهای تخصصی سنتی عقبتر هستند!
این تحقیق نشان میدهد که بین «توانایی دیدن» و «درک فیزیکی جهان» در هوش مصنوعی، هنوز شکاف بزرگی وجود دارد.
منبع: arXiv AI