MinCU：图像对中基于最小变化理解的细粒度基准

定位和描述几乎相同的图像之间的细粒度差异是多模态大语言模型 (MLLM) 的一项关键但尚未充分开发的功能。现有的基准主要评估语义比较或孤立的单图像视觉定位，而不需要共同要求忠实的描述和物理定位。为了弥补这一差距，我们引入了 MinCU，这是一种基于最小变化理解的基准，其中每个样本都由一个图像对组成，这些图像对在对象类别、属性、计数或空间位置上存在单个原子变化，并且根据模型描述变化、定位变化区域和识别变化实体的能力来评估模型。我们进一步提出语义引导隐式空间锚点（SG-ISA），这是一种结构化自回归方法，可将预测分解为思考-定位-描述序列。 SG-ISA 首先预测变化概念的语义线索，然后使用离散空间锚点作为隐式定位支架，最后与定位框一起生成变化描述。实验表明，即使是最强大的闭源 MLLM 和最近的 R1 式推理模型在 MinCU 上也会遇到困难，大多数都无法共同生成准确的描述和定位框。与之前的思维链方法相比，SG-ISA 的微调在定位精度和描述质量方面产生了显着的联合改进，同时减少了大约 26% 的推理词元开销。这些结果表明，隐式中间空间接口比仅仅依赖模型尺度来进行双图像理解更有效。