Может ли ВЛМ найти что-то пропавшее?

arXiv: 2610.13790v1 Annuate Type: кросс-бюллетени: Насколько хорошо модели на языке зрения (VLM) могут рассуждать о том, что отсутствует в картинке? Мы изучаем этот вопрос с OccludeBench, ручной контрольной точкой для восстановления полностью заклонированных объектов из оставшихся визуальных доказательств. OcludeBench проводит различие между прямыми случаями, когда скрытый объект должен быть извлечен по конкретному физическому сигналу, например тени или отражения, из фиктивных случаев, где его можно вывести из более широкого контекста. Из пяти НОЖ показатель точности составляет в среднем 42,7 процента по прямым делам и 62,7 процента - по уголовным делам, что свидетельствует о разрыве между 20 точками. Человечество достигает более высокой точности в 63,4 процента по сравнению с 68,5% для прямых и адских изображений, соответственно, без существенного разрыва. Чтобы обнаружить этот провал, мы введем OcclodeTrace — четырехэтапную диагностику, которая изолирует процесс визуального рассуждения. Узкое пятно возникает, когда модели должны восстановить соответствующий объект из проекции в пределах полной имы