Apple、画像セットから視覚概念を推論する新タスク「VICIS」を発表

記事の3ポイント

1. 1

   既存 VLM の限界の特定

   複雑なテキスト指示には従えるが、純粋な視覚的文脈からの推論や、例画像セットから共通概念を抽出して適用する能力に欠けることが示された。

2. 2

   VICIS タスクの導入

   Visual Concept Inference from Sets (VICIS) と呼ばれる新タスクが提案され、少量の共通概念を持つ画像セットとクエリ画像から、概念を維持しつつ整合性のある新規画像を生成する能力を評価する。

3. 3

   最先端モデルの性能評価

   現在の最先端ビジョン・ランゲージモデルは、この VICIS タスクにおいて著しく低いパフォーマンスを示すことが確認された。