👓 Ботанские новости

Ученые создали новый бенчмарк Point-It-Out, который проверяет, могут ли Vision-Language Models не просто болтать, а реально показывать пальцем на нужные объекты. Оказалось, что даже крутые модели вроде GPT-4o часто тыкают не туда, в то время как некоторые опенсорсные конкуренты оказались более 'рукастыми'. Особенно все облажались на этапе планирования визуальных траекторий.