密集场景理解

VisualOverload：探测视觉语言模型在真正密集场景中的视觉理解

VisualOverload: Probing Visual Understanding of VLMs in Really Dense Scenes

该基准揭示了当前VLM在密集场景下细节编码与推理的严重不足，为视觉编码器的高分辨率细节保留和推理模块的细粒度逻辑一致性提供了明确的评测靶点。