近期研究人員設計了一個名為 ProactiveBench 的基準測試，用於評估多模態語言模型在缺乏視覺資訊時是否會要求用戶提供幫助。結果發現，在測試的 22 個模型中，幾乎沒有任何一個會要求所需的資訊。但是，一種簡單的強化學習方法可能提供了一個解決方案。這個研究結果對於改進 AI 模型的性能和與人類的交互具有重要意義。這項技術的進步可能會影響各個領域的 AI 應用，包括圖像識別、語音助手等。未來，研究人員可能會繼續探索如何讓 AI 模型更好地與人類交互，從而提高整體的智能水平。
近期研究人員設計了一個名為 ProactiveBench 的基準測試，用於評估多模態語言模型在缺乏視覺資訊時是否會要求用戶提供幫助。結果發現，在測試的 22 個模型中，幾乎沒有任何一個會要求所需的資訊。但是，一種簡單的強化學習方法可能提供了一個解決方案。這個研究結果對於改進 AI 模型的性能和與人類的交互具有重要意義。這項技術的進步可能會影響各個領域的 AI 應用，包括圖像識別、語音助手等。未來，研究人員可能會繼續探索如何讓 AI 模型更好地與人類交互，從而提高整體的智能水平。