VLM集体「失明」？视力测试惨败，GPT-4o、Claude 3.5全都不及格

新智元报道编辑：编辑部视觉大语言模型在最基础的视觉任务上集体「翻车」，即便是简单的图形识别都能难倒一片，或许这些最先进的 VLM 还没有发展出真正的视觉能力？最新一轮的语言模型，如 GPT-4o 和 Gemini 1.5 Pro，在发布时都被定义为「原生多模态」，能够理解图像、音频、文本等多种