arXiv NLP·10 天前★ 2
TRIAD 基准发布：评测全模态大模型跨文本图像音频消歧
原文标题：TRIAD: Benchmarking Omni-Modal Ambiguity in Multimodal Large Language Models
重要度 2/5 · AI 综合评估报道影响力与新鲜度，4–5 分为高价值资讯。
AI 智能摘要
研究者提出 TRIAD，一个针对全模态歧义消解的基准，包含 327 条手写查询、86 个场景组、18 类歧义，每条为文本-图像-音频三元组。评测 14 个全模态系统发现，最佳模型在场景级消歧上仍落后人类 20 分以上，去掉选项后准确率跌至个位数，且模型常忽视音频线索。
所属主题基准测试5
阅读原文 +0
AI 处理过程展开/收起
原始标题：TRIAD: Benchmarking Omni-Modal Ambiguity in Multimodal Large Language Models
AI 中文标题：TRIAD 基准发布：评测全模态大模型跨文本图像音频消歧
来源：arXiv NLP · 发布于 10 天前
分类：多模态 · AI 重要度：★ 2（2）
标签：多模态 / 基准测试 / 歧义消解 / 全模态模型
关键词：多模态大模型 / 全模态 / 基准测试 / 歧义消解 / 多模态评测
AI 处理：2026/10/23 12:01:42 · 模型 deepseek-chat · 规则版本 2026-10-21.1
相关推荐
InfoQ AI·2 天前★ 4
谷歌发布 EmbeddingGemma 2，五模态统一向量空间
AI 摘要谷歌推出 EmbeddingGemma 2 嵌入模型，可将文本、图像等五种模态映射到同一个向量空间，实现跨模态检索与对齐。该模型延续 Gemma 开源系列，面向多模态嵌入与检索增强场景。
#多模态
The Verge AI·5 天前★ 4
谷歌发布Genie 4世界模型，可生成带音频交互体验
AI 摘要谷歌发布 Genie 4 世界模型，支持更真实的世界、自然语言实时修改、音频生成，底层由 Gemini 3.8 Flash 驱动，单次体验时长从 1 分钟提升至约 2 分钟。该模型先以研究预览形式向受信任测试者开放，并将向 Google AI Ultra 订阅用户推出。
#多模态
TechCrunch AI·5 天前★ 4
谷歌 DeepMind 发布 Genie 4 世界模型，新增音频与实时操控
AI 摘要谷歌 DeepMind 发布世界模型 Genie 4，新增实时音频、更逼真的模拟环境，并支持在模拟过程中用文本提示实时操控。该模型以研究预览形式向受信任测试者开放，进一步推进可交互世界模型的能力边界。
#多模态
Hacker News – AI·12 天前★ 4
谷歌 DeepMind 称四个 Gemini 4 智能体 27 小时通关《我的世界》
AI 摘要谷歌 DeepMind 表示，四个基于 Gemini 4 的 AI 智能体在 27 小时内自行编写 2783 段程序，成功通关《我的世界》。过程中智能体在简单难度下死亡 605 次，估计消耗约 520 美元 token 成本。
#多模态