GPT-4V 测试：复杂问题和专业问题
date
slug
status
summary
type
tags
实验
[2309.17421] The Dawn of LMMs: Preliminary Explorations with GPT-4V(ision) 中做了大量 GPT-4V 的测试，包含从日常到工业、商业领域的各种可能的图文组合输入问题，覆盖不同难度。
此外，First Impressions with GPT-4V(ision) 一文也做了不少测试，包括不少对图中物体的认知、推理问题。
这里再做几个涉及各种领域的复杂实验，给 GPT-4V 上点压力。
OCR 提取普通文本
一首布劳提根的诗，就当是热热身了。
OCR 提取复杂文本
这次尝试来提取论文中的表格数据：
表格本身的提取非常准确。然而在读取数据点的时候，GPT-4V 的表现就很不好了：
它好像能认出蓝色数据点是
o 符号，但是只读到了 X 轴上有标记的点，而且值都是错的。OCR 提取书页照片
仍然是文本提取，但这次是随手拍摄的书页照片（《疼痛部》）
无论是移动端还是网页端，GPT-4V 都能成功识别前几个字符，然后开始乱说一气。这种模式还会重复，每过一段它总能正确识别开头几个字，然后继续胡说。
工程图纸读取
就这个读取结果来说，基本标注的识别还算可以，比不少专门的 OCR 模型效果都要好（因为完全没做过符号相关的调优训练）。此外也能自动推断一下标注所属的类型，可惜这块推断得不是很准确，猜测在 prompt 里介绍一下背景知识或许能提升一些。
因为单独只识别出文本没法利用，尝试再上一点压力：要求 GPT-4V 同时输出标注的矩形框坐标（等于要求它执行一个 OCR 检测 + 识别模型的任务）。这个要求是有道理的，因为如果 GPT-4V 现在能准确输出矩形框坐标的文本，那么将来接入插件以后，它就可以把这段坐标文本转述给 Python 解释器 ，直接导进 Python 里。
单看输出的坐标值，感觉基本上都是错的。处于严谨起见我们还是可视化一下：
确实都是错的，完全是在瞎编坐标。不过至少图片分辨率为 693 x 1490 像素这一点是准确的。从这个实验结合上面的目测坐标值来看，GPT-4V 还是没法准确提取物体在图中的坐标位置，只能简单理解一些相对位置和空间关系。对输入图像的分辨率认知不知道是怎么引进的。
奇怪的是，在 First Impressions with GPT-4V(ision) 里我也看到了一些相反的例子——GPT-4V 能给出还算准确的坐标值、以及给出错误的图片分辨率。
视觉大发现
小时候看的《视觉大发现》系列：
测试用的原图：
来试一下 GPT-4V 能不能在充斥着细节的画面里找到要求的东西。既然我们知道它没法给出准确坐标了，这次只要求用描述性的相对方位来叙述找到的东西的位置。首先来试一下让它自己读文本来找：
完全不知道自己在干什么。再来试试指明文本的方式：
检查了一下，还是完全不知道自己在干什么。它找的完全是错的，把顶针理解为了针，还试图在说明文本里找梦幻城。
剽窃 HTMX 设计
GPT-4 刚出的时候，我经常让它帮我写各种各样的 Flask 服务器用在其它项目里。那时候每次要花很多时间给它描述页面长什么样。
这次来尝试一下直接剽窃截图里的 HTMX 设计！先来个设计比较复杂的：
一方面受限于无法准确认知位置关系，另一方面，即使没有视觉功能的时候，GPT-4也无法在一次 prompt 下处理这样具有一定复杂性的问题。因此结果质量并不是很好。