VisSearch-Bench评估多模态智能体的长程视觉搜索能力
多模态智能体使用网页和图像工具回答超出其内部知识范围的问题。但许多搜索任务只利用图像识别初始对象，随后便依赖文本检索。VisSearch-Bench旨在评估智能体能否在多个搜索步骤中管理视觉上下文，并将其与外部信息联系起来。该基准包含204项由人工编写的任务，涵盖7个主要领域和25个子领域，包括序列式视觉搜索、视觉消歧以及由视觉结构引导的搜索。每项任务均提供参考答案、可追溯证据和评分规则。在对16个多模态模型的评估中，即使使用搜索工具，表现最佳的系统也只完整解决了26.47%的任务。
本文来源：Hugging Face，仅供学习参考，版权归原作者所有。