【新智元导读】马里兰大学发布首个专为 VLM 设计的基准测试 HallusionBench，全面测试 GPT-4V 视觉错误和语言幻觉。
GPT-4 被吹的神乎其神，作为具备视觉能力的 GPT-4 版本 ——GPT-4V，也被大众寄于了厚望。
但如果告诉你，初中生都知道的勾股定理，只适用于直角三角形。
然而 GPT-4V 却自信将其用于钝角三角形中计算斜边长度。
还有更离谱的，GPT-4V 直接犯了致命的安全错误，竟然认为红灯可以行驶。
这到底是怎么回事呢？
马里兰大学的研究团队在探索过程中发现了这些问题，并在此基础上提出了两种主要的错误类型：语言幻觉和视觉错觉，以此来阐释这些错误的原因。
论文链接：https://arxiv.org/ abs / 2310.14566
项目主页：https://github.com/ tianyi-lab / HallusionBench
研究人员依据上述分析，创建了一个名为 HallusionBench 的图像-语境推理基准测试，旨在深入探讨图像与语境推理的复杂性。
基于他们的对于视觉能力的测试，GPT4V 在回答视觉问题组的错误率高达近 90%。
研究者们还对新发布的 GPT-4V (ision) 和 LLaVA-1.5 进行了详细的研究，深入分析了它们在视觉理解方面的能力。
HallusionBench 是第一个专为 VLM 设计的基准测试，主要关注视觉错觉和知识幻觉。这个测试包括约 200 组视觉问答，其中近一半是由人工专家创作的。
目前数据已经开源，并且还在更新中。
涉及的图片类型多样，包括原始的错觉图片、图表、地图、海报、视频及手动制作或修改的图片，涵盖数学、计数、文化、动漫、体育和地理等多个领域。
论文中，作者初步阐述了 HallusionBench 中的两种视觉问题分类：视觉依赖型（Visual Dependent）和视觉补充型（Visual Supplement），并讨论了实验对照组的设计方法。
随后，他们分析了可能导致答案错误的两大主要原因：视觉错觉（Visual Illusion）和语言幻觉（Language Hallucination）。
在文末，作者通过不同的子类别详细展示了各主要类别中的失败案例，并进行了深入的分析。
关键点：
1. 「语言幻觉」：在 GPT-4V 和 LLaVA-1.5 中会误导 90% 的样本推理。视觉与语言之间的微妙平衡至关重要！
2. 「视觉错觉」：LVLMs 中的视觉模块容易受到复杂视觉上下文的影响，语言模型的错误被夸大。
3. 简单的图像修改就能欺骗 GPT-4V 和 LLaVA-1.5，暴露了对更强大的图像分析能力的需求。
4. GPT-4V 在推理多个图像之间的时间关系方面存在困难。
5. LLaVA-1.5 有时会在常识查询上犯错，需要改进其语言模型先验。
视觉问题类型
视觉依赖型问题 (Visual Dependent)：
这类问题的答案完全依赖于视觉内容，缺乏图像信息时无法确切回答。
这些问题通常关联到图像本身或其显示的内容。例如，在没有图像的情况下，无法准确回答诸如「图中右侧的橙色圆圈是否与左侧的同样大小？」之类的问题。
视觉补充型问题 (Visual Supplement)：
这些问题即使在没有视觉内容的情况下也能得到回答。在这种类型的问题中，视觉元素仅提供附加信息。
比如，即便没有图片辅助，GPT-4V 仍能回答「新墨西哥州是否比德克萨斯州大？」等问题。
测试的核心在于判断 GPT-4V 和 LLaVA-1.5 能否利用图像内容来作答，而不是仅凭它们的参数化记忆。
错误分类
作者对错误回答进行了分析，并将其原因分为两大类：
视觉错误 (Language Hallucination)：
这类错误产生于对输入图像的错误视觉识别和解释。模型未能从图像中提取准确信息或对其进行正确推断。
语言幻觉 (Visual Illusion)：
模型基于其参数化知识库，对问题输入和图像背景作出不恰当的先入为主的假设。模型应当针对问题的具体环境作出反应，而不是忽略问题本身或对图像作出错误解读。
范例
从图 1 所展示的经典视觉错觉案例中可见，GPT-4V 在识别各种错觉图像及其名称上显示出比 LLaVA-1.5 更丰富的知识储备。
然而，在回答经过编辑处理的图像相关问题时，GPT-4V 未能提供精确答案。
这种现象可能源于 GPT-4V 更多地依赖于其参数化存储的知识，而不是实际对图像进行分析。
与此相反，无论是处理原始图像还是编辑后的图像，LLaVA-1.5 的表现都相对较差，这反映出 LLaVA-1.5 在视觉识别方面的能力较为有限。
观察图 2 提供的样本，可以发现 GPT-4V 和 LLaVA-1.5 均未能正确识别平行线、正三角形、多边形及其他数学定理。
这一现象揭示了，对 GPT-4V 而言，在处理几何和数学问题方面仍面临较大挑战。
在图 3 的展示中，作者指出了几则海报，展示的是一些知名的地方美食，但这些美食的地理特征遭到了改动。
面对这样的场景，GPT-4V 和 LLaVA-1.5 都未能充分考虑上下文信息，忽略了图像内容，继续根据文本中提及的知名产地来回答相关问题。
在图 4 的案例中，作者进一步探讨了对多张图片序列的处理能力。
图片的顺序排列和倒序排列在语义上常表现出对立的意义，例如「出现与消失」和「后退与前进」。
研究比较表明，尽管这些图片序列描绘了不同的动态，GPT-4V 依然未能区分这些图片的顺序和逆序排列。
这一发现指出，在视频序列推理方面，GPT-4V 仍需大幅度的优化和提高。
图 5 展示了一个案例，其中在缺乏图像背景信息的情境下，GPT-4V 提供了一个断定性的回答。
相对地，LLaVA-1.5，由于对文本的理解不足，提出了一个技术上无误但与问题无关的答回答。
当以修改后的 π 值作为视觉输入，两个模型均未能从图像中正确识别和解释这个值。
图 6 中的情形显示，当缺少视觉输入时，GPT-4V 和 LLaVA-1.5 都能准确且断定地作出回答。
然而，在表格作为视觉输入的情况下，GPT-4V 尝试依据视觉信息解答，却误取了错误数据。
例如，GPT-4V 错误地答道「中国赢得了 36 枚金牌」，尽管图表实际显示的是美国获得了这些金牌。
相比之下，LLaVA-1.5 更依赖于其参数化记忆，在分别处理问题和表格时表现不同。
在图 7 的场景中，即使没有视觉辅助，GPT-4V 和 LLaVA-1.5 都作出了断定性的答复，其中 GPT-4V 的答案更为准确和精确。
当引入图表作为视觉输入，GPT-4V 能精准地根据图表中的数据给出答案，而 LLaVA-1.5 则依赖于其参数化知识进行回答。
但是，一旦图表被翻转，GPT-4V 对答案的预测发生了根本性变化。这个错误可以被解释为由视觉错觉引起的。
根据图 8，在缺乏图像支持的情形下，GPT-4V 和 LLaVA-1.5 均提供了确定的回答，但正确答案仅由 GPT-4V 给出。
由此可以推断，GPT-4V 在知识层面上优于 LLaVA-1.5。
然而，当地图的视觉呈现发生改变时，两种模型由于其强大的参数记忆能力，均未能正确推断出四个州的相对位置。
总结
近年来，随着大规模语言模型和多模态研究的快速发展，人工智能领域经历了重大的变革。
自然语言处理（NLP）和计算机视觉（CV）的结合，不仅促成了大型视觉语言模型（LVLM）的诞生，而且显著提高了图像推理任务的性能。
但是，LVLM 仍面临着一些挑战，如语言幻觉和视觉错觉等问题。
本研究通过推出 HallusionBench，旨在为 VLM 提供一个基准测试，特别是在那些容易因语言幻觉或视觉错觉而失败的复杂情况下。
我们对 GPT-4V 和 LLaVA-1.5 的不同示例和失败案例进行了深入探讨，包括：
1. 在 HallusionBench 中，GPT-4V 和 LLaVA-1.5 在处理含有先验知识的问题时，往往会受到语言幻觉的影响。这些模型更倾向于依赖先验知识，导致在我们的分析的例子中，超过 90% 的答案是错误的。因此，模型需要在参数化记忆和输入文本图片之间找到一个平衡点。
2. 即便是在 GPT-4V 和 LLaVA-1.5 缺乏参数化记忆或先验知识的情况下，它们仍然容易受到视觉错觉的影响。这些模型常常在处理几何图形、数学图像、视频（多图像场景）、复杂图表等问题时给出错误答案。目前，视觉语言模型在视觉处理方面的能力还很有限。
3. GPT-4V 和 LLaVA-1.5 在 HallusionBench 中容易被一些基本的图像操作所误导，如图像翻转、颠倒顺序、遮挡、物体编辑以及颜色的修改等。目前的视觉语言模型尚未能有效处理这些图像操作。
4. 虽然 GPT-4V 支持处理多图，但在分析涉及时间线索的多图像问题时，它未能展现出有效的时间推理能力，在 HallusionBench 中表现欠佳。
5. 在 HallusionBench 的测试中，LLaVA-1.5 由于知识库相对较少，有时会犯下一些基本的错误。
作者表示，他们的数据集已经开源，并正在继续扩展数据库。最新的数据会在 Github （https://github.com/ tianyi-lab / HallusionBench）上不断更新。
这项研究为未来更加强大、平衡和精准的 LVLM 奠定了基础，并期待通过这些详细的案例研究，为未来研究提供一些可能方向。
参考资料：
https://arxiv.org/abs/2310.14566
本文来自微信公众号：新智元 （ID：AI_era）
广告声明：文内含有的对外跳转链接（包括不限于超链接、二维码、口令等形式），用于传递更多信息，节省甄选时间，结果仅供参考，小猪号所有文章均包含本声明。
