読解か推測か？古代ギリシャ版のOCRにおけるビジョン言語モデルの視覚的グラウンディング失敗

ニュース概要

視覚言語モデル（VLM）を光学文字認識（OCR）に使用すると、視覚的根拠のない高尤度テキストを生成でき、言語優先性への依存を示唆している。オープンウェイト VLM を従来の OCR ベースラインと低資源古代ギリシャ校訂版で比較すると、このギャップが明らかになる。