摘要

我们介绍了HallusionBench，这是一个全面的基准测试工具，旨在评估图像上下文推理能力。该基准测试对先进的大型视觉-语言模型（LVLMs），如GPT-4V（Vision）、Gemini Pro Vision、Claude 3和LLaVA-1.5等，提出了重大挑战，强调对视觉数据的细微理解和解释。HallusionBench包含346张图像及其配对的1129个问题，所有这些问题均由人类专家精心设计。我们引入了一种新颖的视觉问题结构，旨在建立对照组。这种结构使我们能够对模型的回答倾向、逻辑一致性以及各种失败模式进行定量分析。在我们的HallusionBench评估中，我们测试了15种不同的模型，其中最先进的GPT-4V达到了31.42%的问题对准确率。值得注意的是，其他所有被评估的模型准确率均低于16%。此外，我们的分析不仅揭示了观察到的失败模式，包括语言幻觉和视觉错觉，还加深了对这些陷阱的理解。我们在HallusionBench中的综合案例研究阐明了LVLMs在幻觉和错觉方面面临的挑战。基于这些洞察，我们建议了一些未来改进的潜在途径。该基准测试和代码库可在https://github.com/tianyi-lab/HallusionBench获取。