Görsel Akıl Yürütmede Çok Modlu Yapay Zeka Modellerini Karşılaştırın
Görsel akıl yürütme konusunda 200 görsel tabanlı soru kullanarak 15 önde gelen çok modlu yapay zeka modelini benchmarkladık. Değerlendirme iki aşamadan oluştu: veri görselleştirme yorumlamayı test eden 100 grafik anlama sorusu ve desen tanıma ile mekansal akıl yürütmeyi değerlendiren 100 görsel mantık sorusu. Her soru tutarlı ve güvenilir sonuçlar sağlamak amacıyla 5 kez çalıştırıldı.
Görsel akıl yürütme benchmark'ı
Test prosedürlerimizi öğrenmek için benchmark metodolojimize bakın.
gemini-3.1-pro-preview ve gemini-3-pro-preview liderlik listesine öncülük ediyor. Onları, bir sonraki model grubuna öncülük eden gpt-5.2, kimi-k2.5 ve gpt-5.2-pro takip ediyor. Çoğu model veriye dayalı görevlerde iyi performans gösterirken, llama-4-maverick için görsel girdileri mantıksal adımlarla bağlamada bir boşluk kalmaktadır.
Görsel mantık
Görsel mantık, desen tanıma ve mekansal akıl yürütme gerektirir. gemini-3.1-pro-preview görsel mantık testinde liderlik ederek soyut akıl yürütme görevlerinde en yüksek performansı gösteriyor. Birçok model, grafik analizindeki sonuçlarla karşılaştırıldığında performanslarında bir düşüş gösteriyor. llama-4-maverick bu görevlerde bir sınırlılık gösteriyor.
Grafik anlama
Modeller, görsel mantığa kıyasla grafik yorumlamada daha yüksek yetkinlik sergiliyor. gemini-3.1-pro-preview grafik anlama testlerinde en yüksek puana sahip, onu yapılandırılmış verileri ve görselleştirmeleri çözme konusunda güçlü bir yeteneğe sahip olan gemini-3-pro-preview ve gemini-2.5-pro yakından takip ediyor. claude-opus-4.6 ve claude-sonnet-4.6, mantık skorlarına kıyasla grafikleri yorumlarken daha yüksek sonuçlar gösteriyor. Veriye dayalı görsel görevler, desen tanımadan mevcut çok modlu modeller için daha erişilebilir.
Görsel akıl yürütme performansının istatistiksel güvenilirliği (%95 GA)
Her model için hata payını tanımlamak ve gerçek performanslarının muhtemelen düştüğü aralığı göstermek amacıyla %95 Güven Aralıklarını (GA) 10.000 bootstrap yeniden örnekleme üzerinden hesapladık.
LLM'lerin en çok başarılı olduğu ve zorlandığı yerlere dair benchmark soruları
En düşük LLM başarı oranına sahip grafik sorusu
Şekil 1: 12 ay boyunca Star Satış Hacimlerini gösteren çubuk grafik. Her ay için dört gruplanmış çubuk (1998-2000 verileri). Her ay, yakın gruplama içinde düz, beyaz ve çizgili çubuklar gösterir.
Not: Tüm grafikler Hitbullseye'dan elde edildi.1
Soru: Üç ardışık yılın satışları istikrarlı bir şekilde artıyorsa veya istikrarlı bir şekilde azalıyorsa, buna istikrarlı bir eğilim denir. Hangi aylar üç ardışık yıl boyunca istikrarlı bir artış eğilimi gösteriyor?
Örneğin, Haziran 1999'da Gerçek, 1998'den daha düşüktü, bir azalmayı gösteriyordu, ancak model bunu yanlışlıkla istikrarlı bir şekilde artan olarak yorumladı. Çoğu model bu soruda aynı hatayı yapıyor.
Ay başına 4 çubuk gruplandığında, modeller çubuk-yıl eşlemesi ve göreli yükseklik algısı konusunda zorlandı. Hangi çizgili/düz/beyaz çubuğun hangi yıla ait olduğunu doğru ayırt edemediler, bu da çubukların yanlış sırada okunmasına veya yüksekliklerinin karıştırılmasına yol açtı.
Bu, görsel-mekansal akıl yürütmede temel bir sınırlamayı ortaya çıkardı: mevcut modeller, yoğun paketlenmiş çubukları doğru ölçmek ve sıralamak için gereken piksel-kesin algıdan yoksundu, bu da eğilimlerin sistematik olarak yanlış tanımlanmasına yol açtı.
En yüksek LLM başarı oranına sahip grafik sorusu
Şekil 2: 1952'den 1998'e kadar Hint genel seçimlerindeki oy katılım yüzdelerini gösteren çubuk grafik. Çubuklar arasında net boşlukla her seçim yılı için bir çubuk.
Soru: En yüksek ve en düşük oy katılımı (yüzde olarak) sırasıyla hangi yıllarda gerçekleşti?
Tüm modeller bu soruya doğru cevap verdi. Bu başarı, modellerin en uzun ve en kısa çubukları bulma konusunda basit min-max tanımlamada başarılı olduğunu gösteriyor.
Kafa karıştırıcı olan gruplanmış 4 çubuklu grupların aksine, bu grafikte her yıl için tek bir çubuk ve net boşluklar var, bu da doğrudan görsel karşılaştırmayı basit hale getiriyor. Modeller, karmaşık çubuk-kategori eşlemesi gerektirmeyen tamamen gözlemsel görevlerde iyi performans gösteriyor.
En yüksek LLM başarı oranına sahip görsel mantık sorusu
Şekil 3: Cebirsel desen eşleştirmeyi gösteren hizalanmış iki 3×3 ızgara. Üst ızgara değişkenleri ve işlemlerini (çarpma, bölme, üsler) içerir. Alt ızgara sayısal değerleri gösterir, bazı hücreler doldurulmuştur (6, 36, 3/4) ve iki bilinmeyen (A, B) vardır. Soru B-A'yı bulmayı sorar.
Başarı, tablo yapısında görünen net matematiksel desenden (a×b, c×d gibi cebirsel ilişkiler) geldi. Görsel karmaşıklığı olmayan basit ızgara düzeni, modellerin yalnızca sayısal çıkarım ve mantıksal tümevarıma odaklanmasını sağladı.
Modeller, adım adım akıl yürütme yoluyla çözülebilen açık matematiksel desenler içeren problemlerde başarılı oluyor; görsel dikkat dağıtmaları minimum olduğunda sembolik mantık ve desen tanımadaki gücünü gösteriyor.
En düşük LLM başarı oranına sahip görsel mantık sorusu
Şekil 4: Farklı iç çizgi desenleri ve geometrik şekiller içeren dairelerle desen tanıma bulmacası. Üstte iki örnek dizi ve oklar gösterilir, ardından beş çoktan seçmeli seçenek arasından üçüncü diziyi tamamlamayı soran bir soru gelir.
Zorluk, soyut görsel desen tanıma gerektirmesinden ve birden fazla örnek üzerinden geometrik dönüşüm kurallarını belirlemesinden kaynaklanıyor.
Bu, şekillerin nasıl döndüğünü, dönüştüğünü ve birbirleriyle nasıl ilişkili olduğunu anlamak için saf mekansal akıl yürütme gerektirir. Modeller, yalnızca mekansal desenlerin mevcut olduğu ve açık sayısal veya metinsel rehberliğin bulunmadığı görsel dizilerden kural çıkarımında zorlanıyor.
Görsel akıl yürütme nedir?
Görsel akıl yürütme, bir modelin görüntüleri yorumlama, görsel öğeleri bağlama ve hem görsel hem de metinsel bilgiyi anlamayı gerektiren sorulara cevap verme yeteneğidir. Bu yetenek, basit nesne tanımanın ötesine geçerek veri görselleştirmelerini analiz etme, mekansal desenleri tanıma ve görsel öğeler arasındaki ilişkileri anlama gibi görevlere kadar uzanır.
Benchmark'umuz, farklı bilişsel yönleri test etmek için iki ayrı aşama üzerinden bunu değerlendirdi: modellerin veri görselleştirmelerinden yapılandırılmış bilgi çıkarma yeteneklerini değerlendirmek için çubuk grafikleri, çizgi grafikleri ve saçılım grafiklerini yorumladıkları grafik anlama; ve açık sayısal rehberlik olmadan soyut akıl yürütmeyi ölçmek için desen tanıma bulmacaları ve mekansal akıl yürütme problemlerine çözdükleri görsel mantık. Bu bölünme, modellerin açık veriyi mi yoksa örtük desenleri mi işlediğine dair temel ayrımı yansıtır.
Modeller, görsel akıl yürütmeye farklı mimari yaklaşımlarla ulaşırlar. Örneğin, Cola çerçevesi, her biri başlıklar ve olası cevaplar sağlayan çok sayıda görme-dil modelini koordine eder, ardından merkezi bir LLM bu seçenekleri değerlendirir ve en doğru cevabı seçer.
Şekil 5: Cola'nın görsel akıl yürütme için koordinatif bir dil modelini nasıl kullandığını gösteren grafik.2
Bir başka örnek ise CVR-LLM çerçevesidir, bu çerçeve CaID yöntemini kullanarak görüntüleri bağlama duyarlı açıklamalara dönüştürme ve CVR-ICL prosedürü ile ilgili örnekleri seçme yoluyla akıl yürütmeyi geliştirir. Bu çerçeve, görüntü bilgilerini metin tabanlı temsiller olarak ele alarak LLM'in çeşitli türdeki çok modlu görevlerde ilişkileri daha etkili bir şekilde analiz etmesini sağlar.3
LLM'lerde görsel akıl yürütme nasıl çalışır
LLM'ler görüntüleri doğrudan algılamaz. Görüntüleri dil modelleri için özelleştirilmiş yapılandırılmış temsillere dönüştüren görme kodlayıcılara güvenirler. Kodlayıcı nesneleri, dokuları, mekansal ilişkileri ve görsel desenleri tanımlar. LLM ardından bu temsili metin sorgusuyla birleştirerek bir akıl yürütme zinciri oluşturur.
Koordinasyon veya iyileştirme
Karmaşık görsel senaryolar için iki ana mekanizma vardır: koordinasyon, bir LLM'in birden fazla görme modelinden gelen çıktıları entegre ederek yorumları çapraz kontrol etmesi; ve iyileştirme, LLM'in eksik bilgileri belirleyen geri bildirim döngüleri aracılığıyla görüntü açıklamalarını yinelemeli olarak geliştirmesi. Her ikisi de tek modellerin karmaşık senaryoları analiz etmede başarısız olduğu sınırlamaları ele alır.
Çok modlu akıl yürütme için bağlam içi öğrenme
Bazı çerçeveler, eğitim verisinden benzer örnekler getirerek modele görsel girdileri yorumlamak için şablonlar sağlar. Bu gösterimler, modelin öğrenilmiş akıl yürütme desenlerini yeni problemlere uygulamasına yardımcı olur.
Nihai açıklamanın üretilmesi
LLM, görüntüyü nasıl yorumladığını, hangi görsel öğelere güvendiğini ve yaptığı mantıksal bağlantıları açıklayan bir akıl yürütme süreciyle desteklenen bir cevap üretir.
Görsel görevlerde zincirleme düşünme (Chain-of-Thought) akıl yürütmesi
Zincirleme düşünme (CoT) akıl yürütmesi, görsel akıl yürütmede önemli bir yaklaşım olarak ortaya çıktı. Modeller, bir görüntüyü tek seferde analiz etmek yerine, görsel problemleri insanların karmaşık problemleri adım adım düşünerek çözdüğü gibi daha küçük, ardışık adımlara ayırıyor.
Görsel CoT, modellerin daha önce sabit-kesinlikli görüntü işlemeye güvendiği temel bir sınırlamayı ele alarak, bir görüntünün farklı mekansal bölgeleri üzerinde odaklanmayı dinamik olarak ayarlamalarına olanak tanır. Örneğin, karmaşık bir grafiği analiz ederken, model her şeyi aynı anda anlamaya çalışmak yerine önce eksenleri tanımlayabilir, ardından bireysel veri noktalarını inceleyebilir ve son olarak eğilimleri karşılaştırabilir.
Bu yaklaşım, modelleri insan akıl yürütme desenleriyle daha yakın hizalamak için pekiştirmeli öğrenme ve taklit öğrenmeyi entegre eder. Bu, pasif desen tanımadan, modellerin gördüklerini aktif olarak keşfettiği ve akıl yürüttüğü aktif görsel problem çözmeye temel bir değişimi temsil eder. 4
Tercih edilen kaynak olarak ekleLLM'lerde görsel akıl yürütmenin iş uygulamaları
Görsel yeteneklere sahip LLM'ler, birden fazla iş senaryosunu destekleyebilir. Bu uygulamalar, modelin görüntüleri analiz etme, bunları metin verisiyle bağlama ve güvenilir içgörüler üretme yeteneğine bağlıdır.
Belge ve içerik analizi
İşletmeler diyagramlar, mühendislik çizimleri, bilimsel dergi figürleri ve çeşitli görsel veri formlarıyla ilgilenir. Bir görsel akıl yürütme modeli şunları yapabilir:
- Eksik veya yanlış öğeleri tespit etmek.
- Diyagramların alt kısmındaki veya köşelerindeki nesneleri veya işaretleri tanımlamak.
- Kalite kontrolleri için metin ve görüntü segmentlerini bağlamak.
- Daha fazla dağıtım veya raporlama için yapılandırılmış bilgi çıkarmak.
Örneğin, Intuit, hem hızı hem de belge işlemede doğruluğu artırarak yaygın ABD vergi formlarında vergi beyannamelerini otomatik olarak doldurmak için Google Cloud'ın Doc AI ve Gemini modellerini entegre etti.5
Kalite denetimi ve operasyonlar
Üretim ve lojistik sektörlerinde modeller ürünleri veya paketleri denetleyebilir. Görsel akıl yürütme, kusurları, yanlış hizalamaları veya alışılmadık desenleri tespit etmeye yardımcı olur. Model, görüntüleri bir referansla karşılaştırabilir ve neyin değiştiğini veya neyin eksik olduğuna dair bir açıklama oluşturabilir.
Intel, örneğin, yılda 2 milyon dolar tasarruf sağlayan AI görme denetim sistemleri kullanır; üreticiler genellikle atığı azaltma ve müşteri iadelerini azaltma yoluyla 6-12 ay içinde ROI elde eder. 6
Perakende ve e-ticaret
Modeller ürün görüntülerini analiz eder, temel özellikleri tanımlar ve bunları katalog verisiyle eşleştirir. Görsel arama yetenekleri, müşterilerin bilgisayarlı görme kullanarak benzer ürünler bulmak için görüntüler yüklemesine olanak tanır; AI destekli beden öneri motorları iade oranlarını %20-30 azaltmıştır. Bu sistemler ayrıca ürün açıklamaları ile görüntüler arasındaki tutarsızlıkları tespit eder.7
Güvenlik ve izleme
Görsel akıl yürütme, kare dizilerini analiz ederek ve alışılmadık desenleri tespit ederek video ve görüntü denetimi görevlerini destekler. Cambridge Industries, acil durum onarım maliyetlerini neredeyse %50 azaltan inşaat sahaları için AI destekli bir güvenlik sistemi uyguladı. 8
Pazarlama ve kullanıcı deneyimi
Görsel akıl yürütme, ekiplerin kullanıcıların dijital içerikle nasıl etkileşime girdiğini anlamasına yardımcı olur. Bir model ekran görüntülerini veya yaratıcıları değerlendirebilir ve düzen, nesne yerleşimi ve potansiyel sorunlar hakkında içgörüler sağlayabilir. Bu, farklı görsel varlık kategorilerini değerlendirirken özellikle ilgili olabilir.
Örneğin Comeen, çok dilli altyazıları tek tıkla 40 dilde oluşturmak için Gemini AI kullanır; bu, içeriğin yayımlanmadan önce eski hale gelmesine neden olan çok gün süren, çok satıcılı süreci ortadan kaldırır. 9
Karşılaştırmalı manzara: önde gelen oyuncular ve yaklaşımları
Chance AI
Chance AI, görme öncelikli anlayış etrafında inşa edilen ilk ticari araçlar arasındadır. Görsel akıl yürütme sistemi, görüntüleri kültürel, tarihsel, işlevsel ve estetik açılardan analiz eder. Basit etiketler atamak yerine, bir nesnenin, figürün veya sahnenin neden önemli olduğunu açıklayan yapılandırılmış içgörüler sunar; örneğin sanat eserinin tarzı, sembolizmi ve tarihsel bağlamı, konusunun yanı sıra.
Tasarım, yazılı sorgular olmadan görüntüler aracılığıyla anlam odaklı keşfi etkinleştirerek kullanıcı deneyimini önceliklendirir. Bu, bağlamın tanımanın ötesinde değer kattığı yaratıcı endüstriler, eğitim ve turizm için özellikle ilgili olan geleneksel bilgisayarlı görmeden yorumlamaya, hikaye anlatımına ve insan benzeri açıklamaya doğru bir hareketi temsil eder.10
Meta AI
Meta'nın UniBench çerçevesi, mekansal anlayış, bileşimsel akıl yürütme ve sayma için elli'den fazla benchmark'ı birleştirerek görsel akıl yürütmenin değerlendirilmesine yönelik birleştirilmiş bir yaklaşım tanıttı. Yaklaşık altmış görme-dil modeli test edildiğinde, Meta, veri ve model boyutunun ölçeklenmesinin algıyı iyileştirdiğini ancak akıl yürütmeyi iyileştirmediğini, hatta gelişmiş modellerin bile basit görevlerde başarısız olduğunu buldu.
Bu bulgular, görsel akıl yürütme ilerlemesinin nasıl ölçüleceğini değiştirdi; yalnızca daha büyük modellere güvenmek yerine daha yüksek kaliteli veri, hedeflenmiş hedefler ve yapılandırılmış öğrenmeye duyulan ihtiyacı vurguladı. İşletmeler için UniBench, dağıtımdan önce çok modlu görevler arasında akıl yürütme performansını karşılaştırmak için şeffaf bir yol sunar.11
Şekil 6: Grafik, 53 benchmark üzerindeki 59 VLM'nin medyan performansını gösterir; ilerlemeye rağmen, özellikle Winoground, iNaturalist, DSPR ve diğerleri gibi görevlerde birçok modelin hala şansa yakın seviyede performans gösterdiğini ortaya koyar (mavi: sıfır-atış medyanı; gri: şansa seviyesi).12
OpenAI
OpenAI, o3 ve o4-mini modelleriyle görsel akıl yürütmeyi geliştirdi; bu modeller, akıl yürütme süreçlerine görüntü manipülasyonunu entegre ederek görüntülerle düşünebilir. Analiz sırasında, diyagramları veya çizimleri yorumlarken insanların görsel dikkat nasıl ayarladığını yansıtan ilgili detaylara odaklanmak için görüntüleri yakınlaştırır, kırpır veya döndürür.
Grafik yorumlama, görsel problem çözme ve matematiksel akıl yürütme gibi çok modlu benchmark'lar üzerinde test edildiğinde, modeller doğruluk ve bağlamsal anlayışta net kazanımlar gösterdi. Ancak sonuçlar, tutarsız akıl yürütme ve aralıklı algısal hatalar dahil olmak üzere sınırlamaları da ortaya çıkardı; bu da görsel akıl yürütme sistemlerinde güvenilirliğin devam eden zorluğunu vurguladı.
Şekil 7: Grafik, yüksek "akıl yürütme çabası" ayarları altında değerlendirilen tüm modellerin sonuçlarını gösterir.13
Akademik ve açık araştırma çabaları
VisuLogic: Çok Modlu Büyük Dil Modellerinde Görsel Akıl Yürütmenin Değerlendirilmesi İçin Bir Benchmark
Bu makale, çok modlu modellerin görsel akıl yürütme görevlerindeki performansını değerlendirmek için bir benchmark olan VisuLogic'i tanıtıyor. Uzamsal ilişkiler, bileşimsel mantık ve nesne sayma dahil olmak üzere çeşitli akıl yürütme türlerini kapsayan elli'den fazla veri setini birleştiriyor.
Yazarlar düzinelerce mevcut modeli analiz ediyor ve boyutun veya veri ölçeğinin artırılmasının görüntü tanımayı iyileştirdiğini ancak akıl yürütmeyi iyileştirmediğini buluyor. Modeller genellikle nesneler arasındaki ilişkileri anlamadan desenleri tespit ediyor. Makale, anlamlı ilerleme için akıl yürütme odaklı eğitimin, daha iyi veri kalitesinin ve detaylı değerlendirmenin gerekli olduğunu vurguluyor.
VisuLogic, algı metriklerine yalnızca güvenmek yerine akıl yürütme yeteneklerini analiz etmeye yardımcı olan araştırmacılar ve işletmeler için birleştirilmiş bir çerçeve sunar; bu da onu çok modlu akıl yürütme sistemlerini değerlendirmek için değerli bir kaynak haline getirir.14
Cevaplamadan Önce Açıkla: Bileşimsel Görsel Akıl Yürütme Üzerine Bir Anket
Bu anket, bileşimsel görsel akıl yürütme konusundaki mevcut yaklaşımları gözden geçiriyor ve modellerin doğru bir cevaba ulaşmak için görsel ve metinsel ipuçlarını nasıl birleştirdiğine odaklanıyor. Tanımaya dayalı ancak yapılandırılmış akıl yürütme yerine dayanan mevcut yöntemlerdeki zayıflıkları belirliyor.
Yazarlar, her akıl yürütme sürecinin şeffaf ve yorumlanabilir olmasını sağlamak için modelleri cevaplamadan önce açıklamaya eğitmeyi öneriyor. Modellerin diyagramları, figürleri ve nesne ilişkilerini daha iyi anlayabilmesi için görsel ve dilbilimsel temsilleri hizalamaya yönelik teknikleri tartışıyorlar.
Makale, hizalanmış ve açıklanabilir akıl yürütmenin çok modlu görevlerde güvenilirliği ve yorumlanabilirliği artırdığını sonucuna varıyor. Görsel akıl yürütme araştırmalarının geleceğinin, model tasarımına açıklama temelli öğrenmeyi entegre etmeye bağlı olduğunu vurguluyor.15
LLM görsel akıl yürütme yeteneklerindeki zorluklar
Görsel akıl yürütmedeki ilerleme, dikkate alınması gereken teknik ve etik zorlukları da beraberinde getiriyor.
Güvenilirlik temel bir endişe olmaya devam ediyor. Benchmark'ımızda görüldüğü gibi, modeller yoğun paketlenmiş görselleştirmelerle zorlanıyor, karmaşık grafiklerde çubuk-yıl eşlemesinde ve göreli yükseklik algısında başarısız oluyor, bu da eğilim tanımlamada sistematik hatalara yol açıyor. Gelişmiş modeller bile basit görevlerde başarısız oluyor; örneğin rakam tanıma ve nesne sayma, ve veriyi ölçeklendirmek algıyı iyileştiriyor ancak akıl yürütmeyi değil.
Önyargı ve yorumlama sorunları yaygındır. Görsel akıl yürütme modelleri, görüntüleri yorumlarken eğitim verilerinde bulunan önyargıları öğrenir ve yansıtır. Modeller, cinsiyet, ırk, yaş ve engellilik önyargıları dahil olmak üzere eğitim verisinden kültürel varsayımları ve stereotipleri yansıtır. Örneğin, bir görüntüdeki insanların mesleklerini tahmin ederken veya senaryoları yorumlarken bu önyargılar sonuçları çarpıtabilir.
Açıklanabilirlik güven için kritiktir. Modeller, özellikle sağlık, işe alım ve adli adalet gibi önyargılı çıktılar zarar verebilecek yüksek riskli uygulamalarda akıl yürütme süreçlerini şeffaf bir şekilde açıklamalıdır.
Benchmark metodolojisi
Tüm modeller, standartlaştırılmış parametrelerle OpenRouter API üzerinden değerlendirildi: sıcaklık 0.8 olarak ayarlandı ve akıl yürütme yeteneklerini sınırlamamak için max token parametresi ayarlanmadı. Modellerden yalnızca tek bir harfle (A-E) açıklama olmadan yanıt vermeleri istendi, ancak bazı modeller hala detaylı akıl yürütme sağladı, biz de nihai cevapları çıkarmak için bunu ayrıştırdık. Değerlendirme tüm modeller üzerinde aynı anda paralel olarak çalıştırıldı. Her soru tutarlı ve güvenilir sonuçlar sağlamak amacıyla 5 kez çalıştırıldı.
Benchmark, çubuk grafikler, çizgi grafikleri, saçılım grafikleri ve karmaşık veri görselleştirmelerini kapsayan Grafik Anlama (100 soru) ve desen tanıma, mekansal akıl yürütme ve matematiksel görsel mantığı test eden Görsel Mantık (100 soru) olmak üzere iki kategoriye ayrılmış 200 sorudan oluştu. Tüm sorular beş seçenekli (A-E) çoktan seçmeli formatta sunuldu ve modellerden görüntüleri analiz edip doğru cevabı seçmeleri istendi.
Questions:
1. Grafik anlama Modelleri çeşitli veri görselleştirmelerinden bilgi çıkarma, yorumlama ve analiz etme yetenekleri açısından değerlendirdik:
- Çubuk grafikler: Yatay ve dikey konfigürasyonlar, yığınlanmış ve gruplanmış formatlar
- Çizgi grafikleri: Tek ve çok serili eğilimler, zaman serisi verileri
- Saçılım grafikleri: Korelasyon analizi, etiketli eksenlerle desen tanıma
- Pasta grafikler: Yüzde dağılımları ve orantılı akıl yürütme
- Karmaşık görselleştirmeler: Kombinasyon grafikleri, çift eksenli grafikler ve çok panelli ekranlar
2. Görsel mantık Soyut akıl yürütme ve mekansal zekayı şunlar aracılığıyla değerlendirdik:
- Desen tanıma: Dizileri tanımlama ve görsel desenleri tamamlama
- Mekansal akıl yürütme: 3B görselleştirme, küp ağları ve geometrik dönüşümler
- Matematiksel mantık: Sayısal desenler, cebirsel akıl yürütme ve kombinasyon
- Soyut düşünme: Sembol manipülasyonu, mantıksal tümevarım ve kural çıkarımı
Soru formatı
- Cevap formatı: Çoktan seçmeli (A, B, C, D, E)
Bu benchmarkı kaynak gösterin
Yayınlayacağınız yere uygun formatı seçin. Bağlantılı sürümü CMS'inize yapıştırmak, geri bağlantıyı korur.
@misc{ermut2026,
author = {Ermut, Sıla and Şipi, Nazlı},
title = {{Görsel Akıl Yürütmede Çok Modlu Yapay Zeka Modellerini Karşılaştırın}},
year = {2026},
month = feb,
howpublished = {\url{https://aimultiple.com/visual-reasoning}},
note = {AIMultiple. Erişim tarihi: 20 Şubat 2026}
}Referans Linkleri
Yorum yapan ilk kişi olun
E-posta adresiniz yayınlanmayacak. Tüm alanlar gereklidir. Yorumlar orijinal dilinde bırakılır.